近年来,随着医疗大数据的兴起和计算机技术的发展,使得智能医疗成为了可能,基于图像处理和机器学习的人工智能方法也成为了医学影像解译的新手段,为癌症等疾病的诊断和治疗提供了新的途径。目前,深度学习是人工智能领域最热门的研究方向之一,凭借着强大的学习能力和泛化能力,其已经在自然图像解译方面取得了巨大成功,甚至超越了人类。然而,这种最新的方法也有缺陷,包括对大数据的依赖和较差的模型解释性等。医学影像本身获取难度较大,数据量不像自然图像那样丰富,且成像质量通常不高,对分析方法有着更高的要求。深度学习自身的缺陷和医学影像的特殊性限制了这一最新方法在医学影像解译上的应用。为了进一步发挥深度学习的优势,推广其在医学影像解译上的应用,本文将相关领域的启发式信息与深度学习模型相结合,克服了深度学习的一些局限性,提出了适用于低质医学影像解译的启发式深度学习方法,主要完成了如下三个工作:1.针对兆伏CT(Megavoltage Computed Tomography,MVCT)图像中噪声模型难以准确估计问题,提出了基于降噪自动编码机的半监督式去噪模型。首先,借助现有的医学图像去噪方法以获取近似的高质量医学图像作为参考,将原本无监督的盲去噪任务转化为半监督的方式,降低了去噪的难度。其次,使用深度学习中的降噪自动编码机对医学图像噪声进行建模,并结合全局去噪和局部增强的策略,在去噪的同时考虑感兴趣区域的细节保留。最后,将提出的方法与现有的医学图像去噪方法进行了比较,实验结果表明本方法对MVCT图像的噪声建模更加准确,去噪效果更好。2.针对低剂量CT(Low-dose Computed Tomography,LDCT)图像中含有大量的噪声和伪影问题,提出了基于梯度正则卷积神经网络的增强模型。相比于传统的用于图像恢复的深度学习模型,我们在其回归范式中引入了梯度损失项,用来衡量网络在重建过程中对图像细节的保留程度,解决了以往深度学习模型在恢复图像的同时造成的图像边缘模糊、细节丢失严重的问题。在真实的临床LDCT图像上的实验结果表明,我们提出的方法在视觉效果和评价指标上都要优于现有的先进方法。而且,此方法还有较好的泛化能力,可以进一步推广到其他医学图像增强任务中。3.针对低场强MRI(Magnetic Resonance Imaging,MRI)图像伪影严重、空间分辨率低导致目标难以直接分割的问题,提出了图像增强和目标分割的序贯模型。首先,对于低场强MRI图像伪影严重、空间分辨率低的问题,使用本文提出的梯度正则卷积神经网络对其进行了增强,提升图像整体的可视性和目标区域的可分性。然后,将类别不平衡学习和医学图像单目标分割问题相结合,提出代价敏感的加权U-Net模型,用于增强后MRI图像中胃部的分割。将提出的方法和医学图像分割领域传统的水平集方法进行了对比,实验结果表明基于深度学习的方法要明显优于传统方法,且将类别不平衡学习应用到医学图像单目标分割任务上,可以提升分割结果的准确性。