随着电子信息技术的快速发展,现代医院的技术水准也显著提高,许多高新科技的引入使得对应的医学操作变得自动化,免除了人工的繁杂操作。甲状腺相关性眼病(Thyroid Associate Ophthalmopathy,TAO)是成人常见的眼眶疾病之一,属自身免疫性疾病,确切发病机制尚不清楚。眼部直肌的畸变是TAO发病的主要原因之一,将眼部直肌组织从眼部CT图像中分割出来并进行检测对TAO的初步筛查和后期诊断有着重要意义。本文使用深度学习技术对眼部CT图像自动分割与眼部直肌图像自动检测方面的研究,可以减少人力成本,提高诊断效率。本文的第一个研究点是针对卷积神经网络参数量过大、梯度容易消失、分割效果不佳等问题,提出了一个基于密集卷积神经网络Dense Net和选择性卷积核机制SKNet改进的U-Net网络模型进行眼部CT图像的分割。U-Net模型中编码器使用池化层逐渐缩减输入数据的空间维度,解码器通过反卷积层等网络层逐步恢复目标的细节和相应的空间维度。从编码器到解码器之间,通常存在直接的信息连接,来帮助解码器更好地恢复目标细节。在传统的卷积神经网络算法中,每一层的人工神经元的感受野都是固定的,但是在神经科学领域视觉皮层神经元的感受野大小会受到刺激而进行调节,选择性卷积核机制SKNet可以使每一个神经元依据输入特征的多尺度信息自适应选择感受野的大小,提高分割精度。本文的第二个研究点是在眼部直肌图像检测任务中,针对眼部直肌图像训练样本数量较少的问题,传统算法并不能得到很好分类效果,提出了基于迁移学习的眼部直肌图像识别方法。迁移学习可以在原领域对数据进行很好的应用建立模型后在其它领域使用,可以节省大量的时间和资源,减少计算量。本文利用迁移学习技术构建卷积神经网络,完成眼部直肌图像的最终检测。综上所述,本文研究了基于密集卷积网络Dense Net和选择性卷积核机制SKNet改进后的U-Net网络模型来进行眼部CT图像的分割,然后将其分割得到的眼部直肌图像放入微调迁移模型Inception-V3中进行训练,最终完成了TAO图像的检测。通过实验验证了上述提出的模型和方法的有效性以及实际应用价值,对于其它类型的医学图像分类也有很好的借鉴意义。