医学图像分析是医学研究、诊断和治疗中必不可少的技术手段和工具,其主要作用是从医学图像中提取隐含的重要生理、病理信息或知识,因而其重要性和难度均很大。深度学习已显示出在挖掘海量、高维数据的内在结构等方面的突出能力,但目前基于深度学习的医学图像分析方面的研究工作和成果还较少。因此,本文以黑色素瘤皮肤镜图像、2D Hela荧光显微镜图像、外周血涂片白细胞显微镜图像、宫颈阴道镜图像等几种重要且典型的医学图像为对象,从图像预处理、训练集扩增、深度神经网络结构选择与改进、图像分析效果评价等方面,对面向医学图像分析的深度学习方法进行了较系统、全面的研究,具体工作和成果主要如下:1)研究了一种用于黑色素瘤图像自动分析(特征学习和分割)的改进CNN(Convolutional Neural Networks,卷积神经网络)结构,以更好地区分难辨病变如色素斑点痣与临床待定病变,减少筛查错误和提高皮肤癌诊断的准确率。其要点是:利用非线性激活函数ReLU和ELU来有效地缓解梯度消失问题;利用RMSprop和Adam优化与损失算法,以实现更快速地收敛;最后在卷积层与激活层之间增加了批归一化层(Batch Normalization,简称BN),以解决梯度消失和爆炸的问题。实验证明,该分割方法可以使用较小的训练集,以更短的训练和推理时间获得较好的分割结果。2)研究了基于GoogleNet的卷积神经网络的皮肤病变图像分类方法。为了解决训练数据集不平衡问题,主要使用数据层面的预处理方法,采用了欠抽样(减少样本数)处理方法,实现了类间的基本平衡,从而使皮肤病变图像分类的平均精确率(precision)达到了89%,平均召回率为88%,F1-score为88%,与SegNet和FCN等深度学习方法相比均有明显提高。3)研究了基于CapsNet-Hela网络模型的亚细胞图像数据分类预测方法。所用的胶囊层有36个胶囊,可以有更多的空间存储额外的有用信息以便提取特征。一致性路由可以将有用的信息传递给下一层,同时丢弃掉可能使结果中存在噪声的数据;实验结果表明,使用3次路由迭代的效果较好,利用CapsNet-Hela网络模型对图像数据集的分类准确率(accuracy)达到了93.08%,与基于局部二值模式(Local Binary Patterns)的SVM方法和基于Haralick的SVM方法相比,均有明显提高。4)研究了基于CapsNet-WBC网络模型对外周血涂片白细胞图像的嗜酸细胞、淋巴细胞、单核细胞、中性粒细胞等四种主要类型进行分割、分类的方法。首先,使用卷积神经网络对白细胞(white blood cell,WBC)图像进行分割处理;然后,建立并利用CapsNet-WBC网络模型,对分割后的WBC图像进行分类和预测。实验结果表明,本文所提方法对WBC图像测试集的分类准确率(test set accuracy)为85%,训练集的分类准确率(train set accuracy)为99%,较其他方法有明显提高,因而有望应用于较大规模WBC图像的自动处理。5)研究了利用两种深度学习模型级联,实现宫颈图像自动分类的方法。具体分为三个步骤:首先,使用类似U-Net卷积神经网络对6692个宫颈图像进行分割预处理;其次,对分割预处理后的宫颈图像进行数量扩增;最后,使用CapsNet-Cervix网络模型对扩增后的40152个宫颈图像实现分类,并使用额外的重构损失(reconstruction loss)来促进DigitCaps层对输入图像进行编码。实验中上述方法获得了高于其他传统机器学习方法的分类准确率:测试集分类准确率(test set accuracy)为80.1%,训练集准确率(train set accuracy)为99%;而且在完成模型训练后,可以在较短时间内完成海量图像的即时分割和分类预测。