深度卷积神经网络在传统图像任务上取得了重大突破,在医学影像领域同样获得了广泛的关注与研究。医学影像分析是早期疾病筛查和后期诊断治疗中必不可缺的环节。然而,从不同医学中心采集的数据具有分布差异性,且获取大量有标签的医学影像数据是十分困难的,因此,我们针对域迁移和弱监督这两大问题,提出基于领域自适应的医学图像分割算法和基于弱监督学习的医学图像检测算法,为医学影像的智能化分析提供帮助。本文的主要工作总结如下:针对数据域迁移和弱监督问题,我们提出基于领域自适应的医学图像分割算法,从数据分析、算法研究和算法优化等方面逐步实现具备高分割准确率、强鲁棒性的分割系统,该系统由数据模块、分割模块、判别模块和抗噪模块四个子模块构成,支持训练、预测两种工作模式。具体而言,我们提出了一种同行监督的交叉去噪框架CD-Net,从特征提取的网络结构、模型训练的损失函数以及训练策略等方面对基础框架进行了深度优化,以解决域迁移和噪声标签问题,实现目标区域的高精度分割。在两个眼底图像数据集REFUGE和Drishti-GS上的结果表明,所提方法与其他同类方法相比,在视觉结果和量化结果上都表现优异,其中在无噪声数据集上视杯和视盘的Dice分割准确率分别达到了 0.953和0.894,在严重噪声数据集上视杯和视盘的Dice分割准确分别达到了 0.930和0.836。进一步地,针对弱监督数据中的小样本不均衡问题,我们提出基于弱监督学习的医学图像检测算法,从数据预处理、特征分析和病灶检测三个模块实现检测系统,同时提出了 PoC策略来解决小样本不均衡问题,所设计的孪生网络框架PoC-SiameseNet能够捕捉图像的深度不对称特征,进而准确、有效地识别癫痫病灶。在PET图像数据集上的结果表明,与其他方法以及不同经验医生的评估结果相比,所提的病灶检测方法表现优异,其中基于特征分析方法的AUC、准确率、敏感度、特异性指标分别达到0.89、0.82、0.84和0.80,基于深度孪生网络的图像块检测达到了 0.93的预测准确率。