随着深度学习方法在数据分析方面上所取得的卓越成效,医疗图像处理的跨学科领域研究引起了许多研究者的广泛关注。目前大部分图像疾病分类仍以监督学习为主,因此便会面临过度依赖大量标记数据以及出现一种新型疾病时,模型的识别能力便会受到限制等问题。同时对于传统的图像处理模型而言,其主要集中在成像特征的细粒度分类,而缺少对图像中实体对象的内在联系分析。随着知识图谱的不断推广,以它强大的表征能力来描述客观世界的事实,将许多潜在的知识与实际任务需求联系起来。因此,本文基于知识图谱理论与技术,构建一个医疗图像知识图谱。以病变实体关联为基础知识,模拟人脑对图像信息的全局性认知。让机器具备多关联信息之间的推理能力以及对未知领域的认知与预判,实现模型对图像内容的深度认知。基于以上问题,本文以知识图谱理论与思想为基础依据,探索一种类似于人脑对知识的构建流程与应用的方法。并将这种知识架构应用于多标签辨别与未知领域的分析。本文的工作内容如下:一、本文利用医疗图像中实体对象之间的内在联系构建医疗图像知识图谱,并给出了知识图谱中实体的表示方法和节点特征计算方式。将图像特征与节点特征进行加权平均,动态调整节点间相应权重。有效解决了多标签之间的相关性问题。二、在未知疾病检测任务中,本文利用知识图谱的结构特性与知识特征参与推理计算,促使机器模拟人类对未知事物的想像,从而有效解决已知疾病与未知疾病的知识迁移问题。文中通过提取病变实体之间的图像与文本的语义关联信息构建知识图谱,通过计算关联值赋予图谱边权重。利用图像特征与图谱节点信息相结合,完成图谱的推理计算;实现图像的多标签分类以及未知疾病的检测。实验结果表明本文所提出的模型能获得更高的精确度,与传统模型相比均有所提升。