癌症是全球主要的公共健康问题,且有发展成为人类死亡主要原因的趋势。医学图像作为医学领域常用的治疗及检测治疗反应的方法,已经成为临床上对癌症诊疗的主要技术手段。随着医疗技术的进步,医学图像的生成效率提升了,但传统图像处理方法的局限性导致自动化医学图像处理效率和精度都有待提升。卷积神经网络对自然图像处理的优势使得其在医学领域的应用备受关注。使用卷积神经网络处理医学图像可以提升处理效率和处理精度。本文针对肝脏和循环肿瘤细胞医学图像开展研究,以卷积神经网络为基础分别提出了基于联合损失函数的肝脏医学图像分割方案和特征尺度扩展的循环肿瘤细胞检测方案。具体内容如下:1)对基于卷积神经网络的医学图像处理现状进行了综述。首先对医学图像特征及其处理难点进行了分析,然后对传统医学图像处理和基于深度学习的医学图像处理进行了综述。最后分别阐述了基于卷积神经网络的医学图像分割和检测研究现状,并指出了现有医学图像分割和检测研究中的不足之处,明确本论文的研究动机。2)针对现有卷积神经网络在肝脏医学图像分割任务中对肝脏轮廓分割不精准,对小目标区域分割效果差的问题,本文提出了一种基于联合损失函数的肝脏医学图像分割方案。首先,为了提升网络对物体边缘及小区域的分割性能,将基于距离的损失函数和基于区域的损失函数相结合,提出了基于联合损失函数的肝脏医学图像分割网络。接着,为了使联合损失函数发挥最佳效果,对联合损失函数中的权重进行了讨论,并根据两种损失函数的特点提出了一种两阶段的训练策略。最后通过实验验证了本文提出的方法。提出的联合损失函数在两个公开数据集上对肝脏分割准确率提升了 1.2%和1.9%,对肿瘤的分割准确率提升了 6.5%和5.9%。提出的训练策略分别提升肝脏分割准确率1.4%和1.1%,提升肿瘤分割准确率2.2%和4.9%。在与相关研究比较中,本文的结果最优。3)针对循环肿瘤细胞检测快速准确的要求,本文提出了一种特征尺度扩展的循环肿瘤细胞检测方案。首先,为了丰富细胞核图像特征,提出了融合信号点分布特征的细胞核分割方法。然后,为了提升信号点检测的速度以及准确率,提出了YOLO-V3-MobileNetL信号点检测方法。最后基于提出的细胞核分割和信号点检测方法,设计了自动化的循环肿瘤细胞检测流程。本文通过实验验证了本文提出的方案较原有方案更优,整体的检测准确率提升3.15%,检测速度提升了 20%。