近年来,为了给医生提供有效的辅助诊断信息,以机器学习图像处理技术为基础的计算机辅助诊断(CAD)正变得越来越重要。基于医学生物图像的CAD系统,一方面可以提高临床医生阅片效率,提高诊断精度,另一方面可为医疗条件相对匮乏地区提供快速诊断方案,降低诊断成本。基于机器学习的医学图像处理主要包括图像预处理、感兴趣区域(ROI)分割、特征提取等,其研究内容集中在医学图像识别分割,特征提取和分类等。针对宫颈癌筛查过程中产生的阴道镜图像和病理诊断数据,本文提出多种基于机器学习和深度学习相关的宫颈病变图像处理算法,旨在提高宫颈癌筛查效率和医生诊断准确率,相关研究成果如下:基于K-means的子宫颈区域分割算法,实现子宫颈区域在医学和解剖学意义上的划分和提取。首先,利用直方图阈值法,对阴道镜图像亮度直方图(Y)进行分析,去除子宫颈图像中的镜面反射区域;然后将预处理后的阴道镜图像转换成HSV格式,运用K-means算法对V分量进行提取;最后利用面积滤波平滑边缘,从而分割出子宫颈区域。对110例标准阴道镜图像进行验证,利用多种客观指标对分割结果进行分析。基于CNN的阴道镜图像特征重标定的子宫颈病变区域检测算法,首先提取整张阴道镜图像的全局深度特征;然后利用区域候选网络(RPN)生成感兴趣区域的候选框;最后判断候选框内的区域是否为病变区域并对候选框进行回归,从而实现对子宫颈病变区域的准确定位。针对子宫颈阴道镜图像中病变区域与非病变区域因类特征不明显导致难以界定的问题,利用特征重标定模块(Squeeze-Excitation,SE block)加强重要特征并抑制非主要特征,进一步提升特征提取效果。基于预训练CNN模型的宫颈病变图像分类算法。该算法分别采用ImageNet竞赛中的自然图像数据集和Kaggle比赛中公开的宫颈图像数据集作为CNN模型的预训练数据;通过实验对比获得最优模型的参数设置,最后对相应的卷积层和全连接层进行微调。通过多组对比实验可知该算法在辅助诊断方面已达到中级医师水平。