医疗影像作为一种辅助诊断工具,在医生诊疗过程中起着重要作用。随着信息技术的发展,医疗影像数据量大幅增长,基于机器学习等智能信息处理技术分析医疗影像的数字特征,挖掘其价值,可辅助医生更精准地评估诊断。为进一步分析和利用医疗影像的特征,本文基于机器学习算法分别对数据量大与数据量小的两类医疗影像提出对应的分析评估诊断算法,分别以眼角膜与骨肿瘤影像为例。本研究针对数据量较大的眼角膜影像提出一种以聚类算法为核心的分析评估算法,针对数据量少的骨肿瘤影像提出一种通过生成对抗网络扩充训练集的分析诊断算法。眼角膜影像中的角膜地形图可以充分反映患者角膜前表面的屈光分布。目前评估角膜塑形镜治疗效果的方法很少使用角膜地形图中的数据特征,并且较为主观。为改善现有评估方法的不足,本文基于聚类算法分析角膜地形图,提出了一种客观可量化的角膜塑形镜配适状态评估算法。该评估算法的核心是通过聚类获取精准的角膜塑形镜治疗区域的边缘点集合,然后使用最小二乘法计算治疗区域的位置,进而评估患者戴镜后的配适状态。实验结果表明,与现有的角膜塑形镜配适状态评估方法相比,本文提出的算法更能客观量化患者戴镜后的偏心程度,并与眼科专家的评估结果具有良好的一致性。骨肿瘤影像包含很多数据特征,但是骨肿瘤影像数据量较少,难以满足一般机器学习算法对数据量的需求。因此,本文提出了一种基于骨肿瘤影像的评估诊断算法,该算法可分为生成部分和诊断部分。生成部分利用生成对抗网络增加骨肿瘤影像的数据量,提出了一种条件生成对抗网络模型 A-CSGAN(Attention Based Content and Style Generative Adversarial Networks)。该模型在鉴别器中引入注意力机制,提高鉴别器的判别能力;采用内容损失和风格损失,提高生成骨肿瘤影像的清晰度和多样性;并通过条件输入增加网络中的监督信息。诊断部分使用深度卷积神经网络构建分类诊断模型,由生成骨肿瘤影像和真实骨影像组成训练集提升模型的诊断性能。