随着深度学习在医学图像领域的发展,利用深度学习实现脑CT图像出血区域分割与脑区定位的研究对临床辅助诊断有着重要的意义。对于CT图像脑出血分割问题,由于主流深度学习方法缺乏对医学图像成像规律的设计,当部分脑出血的特征较弱或较小时,分割效果欠佳。另一方面,对于出血脑区定位问题,计算机视觉领域的定位只能给出目标在图像中的坐标位置,尚缺少在医学意义上的脑区定位的研究。论文对上述问题做了深入的研究,论文的主要工作和创新总结如下:提出了一种基于全卷积网络与注意力机制的图像分割模型以实现脑出血区域分割。首先改进了U型分割网络,对浅层特征图采用空间注意力进行自关注,对深层特征图采用通道注意力进行自关注,从而减少脑出血分割问题中的漏分割现象。其次提出了一种分层分割的思想,对属于不同脑部断层的CT图像自动选择不同的分割网络权重,以提升分割效果。最后利用脑出血的形状特征对网络分割结果进行图像后处理。实验表明论文提出的模型优化方法对脑出血区域分割有显著的提升效果。提出了一种基于断层分类的定位模型以实现出血区域的脑区定位。首先,设计了断层分类网络,主干网络为ResNet-101,根据CT图像的连续性设计了相邻图像的网络输入方式。同时,考虑CT断层的层间差异设计了新的交叉熵损失函数,用于断层分类网络的训练。其次利用CT图像集的空间顺序设计了分类序列优化算法,减少了分类网络的错分类现象带来的负面影响。最终利用分割模型的输出结果,确定出血区域在图像中的中心位置,通过查询标准断层的脑区划分表,以实现脑区定位的功能。实验结果表明出血脑区定位方法在精度和时间要求上都表现出较好的性能。将所提算法与模型集成于脑出血辅助诊断系统,得到了实际应用。在实际辅助医生进行脑出血疾病的诊断与治疗过程中,该系统表现出了良好的性能与效果。