随着医学影像技术的发展,在临床中,越来越多疾病的诊断及治疗需要医学图像作为辅助工具。然而,由于医学图像分辨率低、噪声强、组织结构复杂等固有特性,再加上大量的临床病例给医生造成的工作负担,基于人工的阅片很容易导致疾病的漏诊或误诊（对于需要及时介入治疗的恶性肿瘤患者,漏诊将会直接导致患者五年生存率下降）。因此,自动化处理/分析医学图像及辅助诊断的方法在临床中意义重大。传统自动化医学影像处理/分析及临床辅助诊断大多依赖于经典的机器学习类算法,该类算法往往需要人工选取特定的影像学特征（如梯度、灰度等）,然后再对所提取的特征进行进一步地分析。然而,通常情况下人工提取的特征非常有限,并不能很好的利用医学图像的全部信息,导致最终模型鲁棒性较差、输出的结果可信度不高。近年来,随着计算能力的提升,深度学习以其强大的信息提取能力在医学影像计算及临床辅助诊断中取得了巨大的进展。基于此,本文选择在深度学习的基础上探索医学影像及诊断问题的计算方法。一般来说,医学影像在临床中辅助诊断的成功应用需要经过图像重建及去噪、疾病诊断和病灶分割三个阶段。图像重建及去噪为后续临床病症分析提供高质量的组织细节保证,疾病诊断则为医生提供精准的疾病筛查结果,而病灶分割则为临床的干预治疗（如肿瘤切除）提供丰富的病灶信息。针对医学影像在临床应用中的三个不同阶段,本文分别研究各阶段中的三个子问题,即:CT重建及金属伪影校正方法研究、胸部14类疾病自动诊断方法研究及三维多模态乳腺肿瘤分割方法研究。具体如下:（1）CT金属伪影校正方法研究。现有基于深度学习的CT金属伪影校正过程一般在单域（正弦图域或图像域）或双域开展。其中,较为先进的为基于正弦图域和图像域的双域算法。然而,现有的双域算法在正弦图域进行受损区域的修复时,未能有效地避免来自受损区域无效信息的干扰,导致最终的输出结果中含有较多的次级伪影;其次,现有算法并没有使不同域的信息有效进行交互,未充分利用跨域信息的辅助特性。因此,本文提出两种新的双域金属伪影校正网络,一种旨在解决正弦图修复过程中无效信息的干扰问题,另一种使得不同域之间的信息可以相互辅助、相互促进,进而降低更多的金属伪影及相关噪声。在来自人体不同部位数据集上的实验结果表明,新提出的两种算法均获得了比以往算法更好的性能,体现了新提出的算法的在临床中的有效性。（2）胸部14类疾病自动诊断方法研究。以往基于X光胸片的疾病自动诊断方法往往直接提取图像中疾病相关特征并用于分类,或简单地将肺部区域均分并编码以获取疾病的部分位置信息。然而,当前算法并未提供疾病较为详细的位置信息,未将疾病的发病位置与可能的疾病类型联系起来。基于此,本文提出一种相对位置信息感知网络,尝试将疾病病发的常见位置与疾病类型结合起来,以提高疾病诊断的准确度。在含14类疾病的X光胸片数据集上的实验的结果表明,相比于现有最新的胸部疾病诊断算法,所提出的算法取得了较为先进的结果。（3）三维多模态乳腺肿瘤分割方法研究。现有基于深度学习的多模态乳腺肿瘤分割方法大多基于二维图像进行分割,并使用一个模态的信息辅助另一个模态的肿瘤分割。其中多模态信息融合的方式以拼接为主,而这种方式只是简单地将不同模态信息叠加在一起,并未充分利用不同模态间信息的互助性。因此,本文提出一种新的跨模态信息交互3D多模态乳腺肿瘤分割网络,用于同时分割不同模态下的乳腺肿瘤。在网络中,不同模态间的信息在网络训练过程中相互交流、相互促进,有效降低分割结果中潜在的假阳性或假阴性。在临床数据集上的实验说明,该方法取得了较好的临床效果且能校正部分人工标注的错误,具有较好的临床应用前景。