随着成像技术的成熟,医学影像在辅助腹部疾病的诊断中扮演着至关重要的角色。然而人体不同器官组织在影像中的呈现并无明显的像素密度差异,这会对诊断过程造成极大的困扰。通过精确到像素级别的计算机相关技术来进行医学图像处理,有助于辅助实现精准医疗,因此对基于计算机技术的医学图像处理方法的相关研究具有重大而深远的意义。本文便是基于深度学习和迁移学习等计算机技术,进行腹部CT图像分割和分类方法的相关研究。1.在肝脏及肝脏病变区域分割中,针对较小区域难以进行精准分割的问题,提出基于Inception-selected U-net(IsU-net)网络的肝脏分割方法,并结合迁移学习实现肝脏病变区域的分割。在IsU-net中,首先在下采样过程,通过结合不同感受野的卷积核的方式来从原始图像中提取多种尺度的特征信息;其次在上采样即特征信息恢复过程中,通过从对应下采样层结果中筛选有利的特征作为特征补充,从而减少相关特征信息的丢失;最后在训练网络时,综合考量上采样各个阶段的误差,实现对网络的约束优化,从而进一步提高恢复的特征信息的完成性。实验证明,IsU-net能有效缓解肝脏分割中小区域难以精准分割的问题。2.在肝脏病变分类任务中,针对平扫CT图像中肝脏不同病灶间无明显密度差异造成医生难以准确诊断的问题,以及在训练过程中,有效训练数据量较少所引发的模型过拟合的问题,提出基于双流网络结构和多重迁移学习的肝脏病变分类模型。在该模型中,首先设计双流形式的网络在特征提取过程中实现特征补充和增强;其次设计集成分类器来增强模型的分类能力从而获取更准确的分类结果,与此同时,针对该集成分类器设计对偶约束加强对整个模型的约束优化;此外,为缓解模型的过拟合现象,在训练过程中新增域适应过程来提高网络拟合未知数据的能力。实验结果表明,提出的模型具有更好的分类效果及拟合性。