近年来,随着硬件算力水平的不断提升以及深度学习算法的不断普及,数字医学图像处理技术获得飞速发展,计算机辅助诊断(CAD)日趋成熟,在一些疾病领域的诊断准确率已经达到甚至超过了专业放射科医生的水平。随着技术的快速发展,CAD系统可以持久、高效地进行工作,将医生从大量重复的劳动中解放出来。但目前CAD通过自身算法优化提升性能在许多任务上遇到瓶颈,本文提出通过图像增强算法的研究在输入层面突破瓶颈。由于自然图像现有的评价指标如PSNR、SSIM均存在一些局限性导致不能够很全面地评价医学图像处理算法的优劣,本文引入CAD系统代替医生为算法提供主观评价指标,且这种语义层的评价指标可以突破传统方法的限制,开拓新的医学图像增强算法。本文以CT灌注(CT Perfusion,CTP)模态高维医学图像分割任务以及CT模态图像检测任务为切入点,研究如何通过有效的医学图像增强算法进一步提升CAD系统的性能。本文的研究内容如下:第一,针对CTP模态高维数据,本文充分利用模态转换思想,结合提出的高维图像时间降维方法,将高维图像分割难问题解耦为基于时间降维和模态转换的图像增强以及分割两个任务,大大降低了CAD系统学习的困难。并且提出SegMaxout网络结构有效对分割假阳性区域进行抑制。最后提出新的组合损失函数用于平衡训练过程中阴阳区域的梯度比值,稳定训练过程。本文方法在ISLES2018数据集上表现相比现有方法获得很大提升,且获得医学顶会MICCAI 2018此赛道冠军的成绩。第二,针对低分辨率CT医学图像,本文提出了阴阳采样均衡(PN-sample balance)医学图像超分辨率训练方法,有效解决现有训练方法导致的训练不平衡致使CAD检测器性能下降的问题。并且提出基于空间维和特征维注意力机制(Attention)的3D密集DenseSRNet。在LUNA数据集取得了很好的重建效果,并且对CAD检测器带了性能的提升。