随着工业化进程的发展和环境的恶化,癌症的发病率呈现不断增长的趋势,社会对此关注度日益增加。癌症的早发现、早诊断、早治疗对于患者的康复具有重要意义。目前,癌症的早期医学诊断主要依赖于生化和影像检查,基于医学图像的计算机辅助检测和诊断(CAD)对于癌症综合诊断结果有着重要影响。然而,肿瘤图像数据具有复杂的病灶特征和抽象的规则表达,且高质量的有标注数据相对匮乏。如何有效的从多维肿瘤图像数据中获取关键的病灶特征,并利用这些特征对目标图像进行语义分割和目标检测,是当前医学图像和机器学习领域的研究热点和亟待解决的问题之一。本文综合运用深度卷积神经网络(CNN)特征提取机制和条件随机场(CRF)理论,围绕脑部与肺部肿瘤图像数据的预处理、语义分割及目标检测等关键问题开展研究,主要工作如下:1)针对肿瘤图像分割模型中存在的收敛速度慢、分割精度低等问题,提出了一种基于分布直方图的图像预处理算法。该算法将肿瘤图像的强度值,基于直方图分段映射到预先设定的固定区间,对强度值进行均衡化再分布。算法在理论上可保证肿瘤图像强度值在预处理后具有可解释性。与现有预处理方法的对比实验表明该算法显著提高了肿瘤图像分割模型的精度和收敛速度。2)针对传统CNN模型存在的缺乏全局上下文信息的问题,设计了一种可有效融合局部和全局上下文信息的混合网络架构。该架构通过最大池化和平均池化操作获得二维肿瘤图像的局部互补信息,并基于全连接CRF(FCRF)提取图像的全局信息,最后通过融合局部和全局信息提高模型的分割性能。3)针对三维肿瘤图像分割中存在的特征选择偏向问题,设计了一种基于多分类焦点损失(focal loss)的三维深度CNN语义分割模型。模型充分利用焦点损失函数的权重调节机制,对样本较多的类别降低损失权重,同时提高小样本类别的权重,自适应地调整不同类别对最终损失的影响,有效解决由类别分布不均衡导致的特征选择偏向问题。4)针对肺部肿瘤图像结节检测中存在的假阳率高、计算复杂度高的问题,设计了一种肺部结节自动检测模型。该模型利用三维生成式对抗网络(GAN)进行样本扩增,生成新的结节样本平衡类别间分布差异,并采用基于特征复用的三维单次检测器(Single Shot MultiBoxDetector,SSD)网络进行肺部结节检测。与现有模型的对比实验结果表明该模型有效提高了检测精度和敏感度,简化了执行步骤。综上,本文针对医学肿瘤图像预处理、语义分割与目标检测中的四个关键问题进行了深入研究,内容涵盖肿瘤图像的均衡化预处理、基于深度CNN的鲁棒特征提取、基于不同维度特征肿瘤区域的语义分割与精确目标检测。这些研究对于医学肿瘤图像的语义分割与检测的发展,具有积极的推进作用。