医学成像技术与相关图像识别算法的快速发展反映了人们对医学信息获取的强烈需求。医学图像能够提供丰富的信息,在医学诊断中的作用日益凸显。计算机识别算法能够克服人工识别易受认知能力、主观经验、疲劳程度影响的不足,有效提高识别的准确率和稳定性,减少误诊和漏诊,对病情诊断、病理分析及治疗方案的选取有重大意义。卷积神经网络能够提供基于学习的特征表示,基于卷积神经网络模型的图像分类、检测、分割算法在医学图像识别上有广泛应用。本文的研究内容的是基于卷积神经网络的图像分类和语义分割算法,应用于医学图像中癌变目标识别。主要工作包括:1)基于CNN-SVM的微血管分型识别算法研究。微血管分型与癌症发展密切相关,分型识别是食道癌诊断与治疗的前提。CNN由数据驱动,相比手工设计特征更加适合复杂多变的微血管图像。本文在样本量相对较少的情况下,设计了一个以CNN-SVM为核心模型的微血管分型识别系统,对一系列的数据扩增技术进行了研究,逐步地提升系统对缩放、旋转图像预测的鲁棒性;在分类器提升方面,引入SVM替换softmax增强了系统的泛化能力。对比广泛使用手工设计特征,CNN彰显了优越的特征表达能力。2)基于多约束FCN的微血管分型语义分割算法研究。本文提出采用语义分割算法对微血管分型进行识别。针对不完全标注问题,结合人工知识,从标注信息中挖掘出感兴趣区域信息,构建了一个基于多约束FCN的语义分割系统。感兴趣区域标签包含了人工积累的经验,该系统采用多任务学习框架,利用多种标签提升了编码器类间区分能力,从而提高了 FCN网络的分割性能。3)基于联合学习FCN的细胞图像语义分割算法研究。显微镜下癌变细胞识别是病理检查的主要内容,也是癌症确诊的关键。对癌细胞区域进行精细划分十分困难。本文采用语义分割算法对癌变区域进行识别。根据多任务学习思想,设计了分类任务,提出CNN与FCN的联合学习方法。通过对分类任务的探索,完成了模型优化,并对额外数据集的价值进行了验证。在多任务学习的框架下,通过提升分类任务性能间接地改善了分割任务的性能。综上所述,本文从模型和数据两个方面来提升卷积神经网络的特征表达能力。模型方面的研究工作包括设计网络结构、引入SVM、采用BN规范化和探究基于梯度下降的优化算法;数据方面的研究工作包括探索数据集扩增技术,设计感兴趣区域标签,利用额外有价值数据。实验表明这些改进能提升识别性能。