医学影像作为医疗数据的一种重要形式,因其可以帮助医生直观地观察到病人内部的患病情况,在医疗领域广受欢迎。医学影像技术也是多种多样,其中CT图像由于设备辐射相对较低,安全性能高,成像快速和价格相对低廉等优势,受到广泛的使用。近几年,脑出血这一老年疾病正逐渐蔓延到年轻人的群体中。脑出血CT图像为改善脑出血患者的临床诊断和增加患者的大脑健康提供了非常重要的信息。目前,卷积神经网络(CNN)在脑出血图像分类任务上有着优秀的表现,但是卷积神经网络中的感受野往往都是通过当前层的卷积核尺寸和前面层的步长的大小计算得到的,不方便在卷积层内部直接地控制。图卷积神经网络(GCN)使用k阶切比雪夫多项式的截断扩张近似估计卷积过程中的滤波器,从而使得卷积核的感受野方便可控,但是使用图卷积网络直接在复杂的脑出血医学图像上进行分类,效果并不好,因此对脑出血图像进行分割处理以简化脑出血图像是有必要的。考虑到大量的脑出血CT图像数据由于没有训练分割模型用的分割标签图,不便于有监督的分割方法对其进行分割处理,因此使用无监督的方法对其进行分割。除此之外,部分脑出血医学图像由于存在类内差异和类间相似性,从而增加了分类的难度,这也是脑出血图像分类亟待解决的问题。本文针对以上问题,主要的研究工作如下:(1)针对脑出血图像的预处理,本文提出了基于变分的CV脑出血图像分割方法。基于变分的CV脑出血图像分割方法属于无监督的图像分割方法,不需要图像的分割标签图对模型进行训练,而且在经过分裂解法优化之后,具有简单,分割高效的特点。(2)针对卷积神经网络的感受野不方便直接控制的问题,本文提出了基于图卷积网络的脑出血图像分类模型。通过在分割处理后的脑出血图像上,划分网格,构建无向图,然后使用图卷积网络对构建后的无向图进行分类,实现对脑出血图像分类的目的。(3)针对部分脑出血医学图像由于存在类内差异和类间相似性,从而难以分类的问题,本文提出了基于协同图卷积网络(SGCN)的脑出血图像分类模型。利用协同训练的策略,在两个图卷积网络之后增加一个协同训练层,预测输入的一对脑部图像是否属于同一类,并在出现协同误差时对图卷积网络模型给出校正反馈,最终在脑出血图像的分类任务中达到了88.54%的分类准确率。