随着医疗科学的飞速发展,先进医疗设备的深入普及,以及医学影像技术的不断创新,致使医学图像呈现了几何形式的增长,医学上的图像数据规模变得越来越庞大。海量的医学图像数据给医像数据的高效存储和维护带来了很大难题,同时给医学图像数据的精确检索带来了极大的挑战。海量图像数据给医学领域带来难题的同时,也带来了很大的机遇,它使计算机辅助诊断再次成为了研究热点。在传统方法上,医务人员只是将医学图像固定在一处并对其进行观察,所得到的诊断结果在很大程度上取决于医务人员的临床经验。这种结果带有很多的主观判断性,而且相对来说很耗时间,效率偏低。本文借助计算机的深度学习技术,构建卷积神经网络,实现脑部图像的分类工作,以便达到辅助医务人员的工作,提高医务人员的诊断正确率和工作效率,实现计算机辅助诊断效果的目的。全文主要包括以下两个方面:1.对深度学习中卷积神经网络的结构进行分析,找寻影响卷积神经网络在分类工作中的效率与正确率的因素。在基于Caffe的开发框架上,搭建了若干个具有不同层次结构的卷积神经网络。包括层数的多少、卷积核的数量和大小、池化的大小和方式、激活函数的选择、分类器的选择以及dropout层的应用等方面。将这些拥有不同结构的卷积神经网络分别应用到CIFAR-10图像分类任务中。对结果进行比对分析,发现网络层数越深;卷积核数量变多,尺寸变小,步长变少;池化尺寸变小,步长变少,并选择最大池化方法;激活函数使用Leaky-Re LU函数;全连接层中使用dropout处理;这些操作可以有效提高卷积神经网络的分类效果。2.根据对深度学习中卷积神经网络的结构的分析,搭建了一个拥有15层结构的卷积神经网络模型,命名为CNN-BrainCT。其中包括7个卷积层,5个池化层和3个全连接层,部分全连接层中拥有dropout层。通过改变原始脑颅CT图像的灰度窗口来模拟RGB图像的三个通道,然后利用迁移学习的原理,对CNN-BrainCT网络进行训练。最后将该卷积神经网络应用到脑颅CT图像分类任务中,在整体的准确率上达到了67.64%,其中对脑瘤疾病诊断的命中率达到了86.2%。