医学图像下的目标检测与语义分割是计算机视觉及图像处理领域重要的研究内容之一,其主要目的是检测和识别图像中的特定目标,辅助医生对病人的临床诊断与手术治疗。由于医生诊断,极大依赖于自身的主观经验和意识,而且医学图像的成像质量,复杂的背景环境对医生的判断也会产生较大的影响。对医学图像进行准确的检测与分割对病灶识别以及定量分析有重大的帮助,为后期的图像引导手术,治疗评估等临床应用奠定了重要的基础。因此,准确的分割和识别出医学图像中的特定目标具有重大的课题研究意义。传统的图像检测和分割方法需要人工设计特征,但是由于目标形状的多样性以及复杂的背景环境,设计鲁棒的特征十分困难。而深度学习技术可以通过大量的数据样本,学习到丰富的特征。相较于传统的图像处理方法,深度学习算法的精度在目标检测和语义分割领域都具有巨大的性能优势。因此,基于深度学习的目标检测和语义分割算法被广泛的应用于医学领域。本文的研究内容是通过深度学习算法对医学图像进行检测和分割,相较于分类任务,检测和分割任务需要目标准确的位置信息,因此本文通过特征融合的方法,捕捉目标物体丰富的空间位置信息和高级语义信息,从而提高在医学图像下检测和分割的精确度。本文的主要贡献和工作内容如下:首先,针对深度卷积网络中深层的空间位置信息不足的问题,提出了一种基于注意力的目标检测方法。该方法利用注意力机制使目标检测网络可以自适应的融合不同层之间的特征,强化有用的特征并抑制无用的特征。实验结果证明该方法可以有效的提高目标检测网络的识别精度。其次,针对编码器-解码器结构的分割网络在医学图像中分割目标的边缘轮廓的分割效果不佳的问题,提出了一种基于特征融合的分割网络输出方法。通过将解码器中不同层的特征图进行融合得到最终的分割结果,实验结果证明该方法使分割精度得到有效的提升。最后,针对医学图像中分割目标的形状大小发生变化导致分割不佳的问题,提出了一种基于多尺度特征的语义分割方法,该方法在融合解码器不同层特征的基础上,通过不同尺度的卷积核和池化模块提取编码器中的多尺度特征和全局文本特征,并将提取到的特征输入到解码器中。实验结果表明该方法可以有效提高语义分割网络的分割精度。