随着数字化医学影像快速发展,X光片成为现代化医院不可或缺的技术。其中手腕骨X光片是用于诊断儿童成长问题,而前盆骨X光片用于检测中老年人股骨颈骨折问题,这两个X光片的病灶信息需要经验丰富的放射科医生花费十几分钟仔细筛查才能被准确的检查出。传统的计算机辅助诊断算法利用人工设计的特征辅助医生快速从X光片中提取病灶信息。近年来,深度学习在医学影像开展了广泛而深入的研究工作,免去了繁杂的人工提取医学影像特征的工作。由于X光片中病灶信息和背景信息的复杂性,一般的深度学习方法无法有效提取X光片内特征。本文着力于研究在不同医学X光片任务中提取有效信息的深度学习方法。因此,本研究针对手腕骨X光片骨龄评估任务和前盆骨X光片股骨颈检测任务提出相应解决方案,主要包含以下内容:在手腕骨X光片骨龄评估任务中,针对手腕骨X光片病灶信息差异小、难以区分和多源异构数据在骨龄评估任务表现的问题,本文提出了一种新的融合学习网络RT-FuseNet。RT-FuseNet包括两个分支,一个用于学习手腕骨X光片特征的图像分支网络,另一个是从文本信息中学习特征的文本分支网络。在图像分支网络中,使用空间金字塔结构来避免通用网络结构中的池化操作对X光片中信息造成的丢失。其次,在该分支网络中,通过添加通道注意力和空间注意力,以增强X光片中关键区域的可区分性。RT-FuseNet通过拼接两个分支网络的特征,来评估手腕骨X光片的骨龄。通过在北美放射学会(RSNA)组织的2017年儿科骨龄挑战的公共数据集和一个私有数据集上的验证,表明本文所提出的基于多源异构数据融合的方法及网络模型能学习到更有效的特征表征,从而获得了更好的骨龄评估。在前盆骨X光片股骨颈骨折任务中,针对前盆骨X光片股骨颈骨折信息和背景上下文信息的复杂性,容易出现提取错误特征和模型过拟合现象问题,本文提出一种新的级联的深度学习模型。首先,本文通过训练一个全监督检测神经网络挖掘前盆骨X光片中股骨颈区域,来避免因为前盆骨X光片中骨折信息和背景信息的复杂性而造成提取错误的特征;其次,本文通过比较VGG、ResNet、DenseNet架构在分类任务中表现,选择DenseNet架构作为语义分割算法的网络骨架,构建类U-net语义分割模型对骨折裂隙可视化。并在前盆骨X光片私有数据集中验证了所提出方法的可行性。最后,针对医疗资源分布不均匀和人们日益增加的医疗需求的问题,本文设计了一个基于深度学习的X光片影像分析系统。主要包括数据存储模块、数据预处理模块、骨龄预测模块和股骨颈分析模块。经过测试,该系统能正常满足用户的需求。