随着计算机的普及应用和IT产业的迅猛发展,各行业应用系统规模不断扩大,所产生的行业数据也呈爆炸式增长。目前在医疗行业,已经有大量的非结构化数据积累,因此研究如何高效地利用医疗影像数据以提高诊断效率具有重要的现实意义。近年来我国积极推进医疗信息化发展,大数据与人工智能等前沿技术在医疗领域应用已经成为一种新的趋势。本文将聚焦于心血管领域,引入相关深度学习方法,完成对医疗影像自动化分析与诊断,论证AI辅助医疗的可行性。我们的主要任务是完成对心血管医疗影像的整体诊断及易损病变区域的定位。本文首先对基于卷积神经网络的经典目标检测和区域分割算法进行学习和研究,并分析其在医疗影像领域的应用。其次针对数据及任务特点,我们设计了包含有分类分支和回归分支的网络结构,通过多任务联合训练,同时提升了诊断和检测效果。对于医疗影像分析中经常存在的类间数据不均衡问题,本文通过引入带权重的损失函数机制进行有效缓解,进一步提升了模型效果。现实中存在大量医疗影像具备高层次类别标签信息,缺少低层次病变区域标签和像素级标签信息。而不同于一般图像数据,医疗影像数据标注需要专门的医生专家来完成,因此大规模医疗数据标注困难重重。针对这个问题,本文以心血管影像数据为例研究了弱监督条件下病灶定位的可能性。本文通过引入的通道分配权重机制,将CAM(Class Activation Map)思想应用于不同分辨率下,并融合对比不同层在弱监督下的定位效果;同时通过嵌入空间区域权重学习模块对网络进行约束,最终进一步提升弱监督下病变区域划分效果。