目的:智能医学影像处理与分析是智慧医疗和精准医疗的基础支撑技术,也是人工智能领域的研究热点和难点之一。当前,基于深度学习的医学影像分析方法,因其能很好的符合临床上“端对端”的临床需求及其在自然图像处理领域所取得的良好效果,而逐步获得临床医生及医学影像学研究者更多的关注和应用。借助人工智能技术,现有的医学图像分析研究工作已经取得了较大的成绩和进步,但是智能医学影像处理与分析技术辅助临床影像学诊断的效率和准确率还有待进一步提高,且离实现精准可靠的临床实用阶段仍有很大的距离,该领域的研究仍然面临着来源于医学影像数据和算法设计等多方面的巨大挑战和困难。缺乏足够海量的标记医学影像数据及其自身具有的非均匀性、退化性和形态结构复杂性等特点,决定了对医学影像分析算法研究和应用的难度和广度。算法模型是智能医学影像处理与分析的核心和关键,为此本文针对乳腺癌病理图像多分类识别及脊柱MRI中的疾病检测和分类任务,基于深度学习技术,就智能医学影像处理与分析的算法模型做了较为系统和深入的研究,提出了三个实用性强、泛化性广的深度学习算法模型。方法及结果:本文针对乳腺癌病理图像的多分类问题,提出了一种结构化的深度学习模型;针对基于MRI的脊柱疾病病灶检测难题,提出了一种深度多尺度多任务的全卷积检测网络;针对脊椎多结构病灶分割和诊断报告生成问题,提出了一种新型的循环生成对抗分割网络。(1)本文首先提出了一种结构化的深度学习模型CSDCNN用于乳腺癌病理图像细粒度图像分类,其创新之处在于其不但能自动调节不同类别之间的特征空间距离,还能够提取图像的高层语义特征,克服传统机器学习方法在特征提取方面的不足。CSDCNN是国内外首个高精度、全自动的乳腺癌病理图像多分类方法,可将乳腺癌病理图像细分为八种子类,在验证集和测试集上同时达到了平均94%的多分类精确度。(2)本文提出了一种深度多尺度多任务的全卷积网络(DMML-Net)用于脊柱MRI影像病灶目标检测和分类。此方法的创新之处在于DMML-Net融合了多尺度、多输出学习和多任务回归学习理论,具有较强的多尺度多任务学习能力,以及泛化性和鲁棒性。通过将DMML-Net应用于脊柱MRI中的疾病检测和分类任务中,实现了国内外首个基于发病机制的腰间盘椎间孔狭窄诊断系统。DMML-Net达到了90%的检测正确率。(3)本文提出了一种新型的循环生成对抗网络Spine-GAN用于多种脊柱疾病的诊断。该算法模型可同时对椎间盘、椎骨和神经孔等多种脊柱结构进行全自动分割和分类,进而智能的生成完整的临床诊断报告。此方法的创新之处在于Spine-Gan不但能够克服核磁共振图像中脊柱结构的高变异性和高复杂性,而且还能保留正常脊柱结构和不正常结构的细微差异性,能够动态的学习脊柱相邻结构间不明显但很重要的空间病理关系,从而突破小数据集的局限性。Spine-GAN实现了三种脊柱疾病的准确分割,放射学分类和病理相关性表示。具体来说,Spine-GAN的像素精度达到了96.2%,特异性和敏感性分布高达89.1%和86%。结论:本文提出了三种创新型的深度学习算法模型,分别应用于乳腺癌病理图像的自动诊断,脊柱疾病病灶的自动定位与分类,脊柱疾病病灶的分割与放射科诊断报告的生成。其中,深度学习模型CSDCNN的提出,对于乳腺癌病理图像的细粒度图像分类研究具有重要促进作用,可为临床诊断和医学研究提供重要的处理工具和技术方法;DMML-Net和Spine-GAN算法模型在脊柱疾病的临床诊疗及MRI影像处理等领域具有重要应用和研究价值,同时对智能生成医学影像诊断报告研究方面也具有一定的促进作用。