肾脏疾病在现代社会中已成为全球发生率第四高的重要疾病,在我国更有超过11%的人口属于不同程度的肾脏病患者,全球每年超过百万肾脏患者发展成为肾衰竭、肾肿瘤等恶性病变。肾脏病变的早期筛查对于及时诊断和控制病情发展有着重要作用,而肾脏疾病的临床诊断十分依赖于彩超和CT等医学影像检查方式以及医生的专业水平。但在我国,医生以及医疗设备等医疗资源随地域分布严重不均,同时医生需要分析和处理大量的影像数据,人工阅片不仅效率低且工作负荷大,因此目前国内的肾脏疾病防控形势并不乐观。而基于先进计算机硬件和软件技术的计算机辅助诊断系统能够有效帮助医院和医生开展肾脏病变筛查和诊断工作。近年来随着深度学习的快速发展,在医学大数据背景下,结合人工智能技术对医学影像进行分析处理,使得计算机辅助诊断系统更加智能化和精确化。计算机辅助诊断系统在批量处理大量医学影像数据时具有耗时短、效率高、不受人为主观判断影响等优势,能够有效协助医生进行影像筛查,极大缩短阅片时间,减轻医生负担。本文在此背景下开展了对肾脏病变智能辅助系统的分析和研究,提出了基于深度神经网络的肾脏病变分类和肾脏分割算法。本文主要内容如下:1.本文使用肾脏彩超数据,提出了一种基于深度神经网络的肾脏病变分类模型Kid-Net。模型将具有优秀特征提取能力的深度残差网络作为特征提取基础层,并在残差学习中融入空间和通道维度的注意力学习机制,再利用空间金字塔池化结构作为多尺度特征提取层,最后利用全连接层和Softmax完成特征分类。本文在自主构建的肾脏彩超分类数据集上对模型进行验证,实验结果表明模型能够有效从肾脏彩超数据中筛查出疑似病变的图像。2.本文使用腹部CT数据,提出了一种基于深度神经网络的肾脏器官与肿瘤分割模型Kid SegNet。模型利用端到端的编码器-解码器结构作为网络主体架构,通过跳跃连接融合了注意力机制,利用空洞卷积增加网络感受野,再结合空间金字塔池化来充分利用底层空间多尺度的特征。模型在公开数据集上进行验证,结果表明本文方法能够有效实现对肾脏器官和肿瘤的自动语义分割。3.本文将上述提及的肾脏分类和分割算法集成到计算机系统中,构建了肾脏病变筛查和肾脏分割的智能辅助诊断系统DeepKidney。系统能够对上传的肾脏彩超和CT数据进行自动处理,并返回诊断结果,从而有效辅助医生开展肾脏彩超筛查和肾脏自动语义分割工作。