随着医学影像数据量的急剧增长以及模态的不断更新,医学界对智能化、自动化、高精度的计算机辅助诊断（CAD）技术的需求日益迫切。人工智能（AI）作为信息领域最先进的技术将为精准医疗带来新的希望和理念,而基于人工智能的医学影像辅助诊断是其中最先实现突破和爆发的领域。本文在学习大量国内外最新文献的基础上,根据医生的临床需求,以数字病理和PET/CT为主要实验数据,结合人工智能、数学、图像处理、医学等知识理论,研究面向多模态医学影像智能诊断的新技术和新方法,主要研究成果如下:（1）肝细胞癌数字病理辅助诊断面向病理图像的肝癌巢定位和肝癌细胞核检测:为了定位整张病理图像的癌巢区域,提出了一种输入协同的并联‘same’、‘valid’卷积残差神经网络（IC-PSV-RNet）模型。‘same’卷积输出与输入相同尺寸的特征图,突出了局部特征,‘valid’卷积在特征提取的同时考虑了降采样过程,二者叠加的特征图更能突出感兴趣区域:输入协同策略融合了原始输入的全局信息与卷积块学习的局部特征;借鉴残差学习的思想,将每一个卷积块的输入以恒等映射形式与其输出在特征维上叠加,防止网络性能的退化,并且加强了每一层特征之间的联系。癌巢定位实验结果表明IC-PSV-RNet优于ResNet和DenseNet;此外,根据堆栈稀疏编码器（SSAE）开发了一种域适应的细胞核检测模型,其优点是仅通过一种组织病理图像训练的模型即可准确地检测不同组织病理图像中的细胞核。肝组织病理图像的细胞核检测结果表明基于SSAE的域适应模型可以实现在线学习,并优于其它基于卷积神经网络（CNN）、深度置信网络（DBN）的检测方法。面向病理图像的肝细胞核分割:为了准确地分割癌巢内黏连、重叠的细胞核,提出了一种基于结构卷积极限学习机（SC-ELM）和基于实例的形状模板（CBST）的“由粗到精”的分割框架。在粗分割阶段:SC-ELM为“结构化分类器”提供了一种新理论,通过随机的卷积核来提取和细化图像特征,只需学习输出权重矩阵即可获得与输入相同分辨率的分割结果;在精分割阶段:根据每位患者的粗分割结果建立相应的CBST,然后基于像素分类的思想来估计丢失的细胞核边界。实验结果表明基于SC-ELM的分割Dice均值可以达到0.959。面向病理图像的肝癌多分类和肝癌细胞核分级:利用端到端的输入协同的并联‘same’、‘valid’卷积神经网络（IC-PSV-Net）解决病理图像多分类问题,输入协同策略是指将原始输入的灰度信息传递至每一个卷积块的特征图上,对特征衰减加以补偿,有效提高了分类性能。淋巴瘤、乳腺癌、肝癌病理图像数据的多分类实验结果表明IC-PSV-Net 优于 ResNet、DenseNet 等 CNN 模型;此外,提出了一种联合多全连接卷积神经网络和极限学习机（MFC-CNN-ELM）模型进行单细胞核的分级,MFC特征优化模型的核心是利用不同步长和尺寸的滤波器进一步挖掘有判别力的特征,提升“浅层”CNN的性能。肝细胞核分级结果表明MFC-CNN-ELM的准确率可以达到0.967,优于传统的单全连接层CNN模型。（2）淋巴瘤影像组学辅助诊断面向CT图像的多器官分割:为了降低淋巴瘤检测的假阳性以及判断淋巴瘤的分期,借鉴U-Net思想,在IC-PSV-Net的基础上添加上采样层,并引入特征连接等机制,开发了一种适用于CT图像多器官分割的端到端模型IC-PSV-SegNet。然后提出了一种轮廓稀疏表达（CSR）模型优化器官的局部边界,其核心是将封闭的轮廓曲线看作一组连续的点,通过最大后验概率模型建立寻找边界特征点模型,引入梯度、速率变化、概率正则项、外观能量函数在吉布斯框架下进行求解,最后通过点分类的思想优化边界。实验结果表明所提方法在肝脏、肾脏、脾脏三种器官的分割Dice系数分别达到0.945、0.935、0.973,优于传统的 3D U-Net 和 3D FCN。淋巴瘤检测和分割:针对淋巴瘤检测问题,利用IC-PSV-Net识别每个疑似候选集是否属于真正的淋巴瘤,其中输入协同策略将CT的梯度图像传递到每一个卷积块的特征图上,结合PET代谢和CT结构信息提高检测的准确率。然后根据检测结果,提出了一种自适应加权的泛化距离水平集模型（AW-GDRLSE）描绘淋巴瘤的边界,为手术导航或放射治疗提供自动标注。AW-GDRLSE从三个方面改进了传统水平集方法:①引入了泛化的距离正则项在演化过程中保持轮廓的规则形状,另外参数可以控制轮廓的扩散速度;②通过一种环形模板定义局部区域能量函数;③在每一次演化过程中,利用局部区域强度和边界方向信息计算长度和面积能量项的权重。实验结果表明AW-GDRLSE在分割小肿瘤方面优于C-V、DRLSE等模型,平均Dice系数可以达到0.8277。