随着人工智能技术的快速发展,深度学习在计算机视觉、自然语言处理等领域表现优异。各种“人工智能+”的应用开始落地,其中,人工智能在医学领域的研究具有重要的现实意义,通过深度学习对复杂的医学图像进行处理,辅助临床医生完成重复度较高的工作,在减轻医生工作负担的同时也为患者带来更好的就诊体验。本文从实际的临床医学问题出发,针对腹部前列腺放射治疗和结直肠镜检查过程中存在的现实问题,提出相应的腹部器官与病变识别的深度学习方法,辅助医生高效准确的完成临床诊断任务并及时调整治疗方案。(1)提出了一种基于自动分割和骨盆对齐的前列腺图像配准方法,用来解决多模态前列腺图像配准过程中参考点难选取,配准形变大的问题。该方法首先分割出前列腺MRI图像和CT图像中的感兴趣区域,然后利用感兴趣区域中前列腺器官和周围骨盆的相对位置信息作为先验约束,骨盆的刚性解剖结构作为参考基准,进行基于最大互信息的粗配准,然后针对多模态图像中前列腺器官存在形变的特点,利用Demons方法对粗配准结果进行微调。该方法能在小形变条件下获得更精确的配准结果。(2)提出了一种基于SPVGG的结直肠镜图像分类方法,用来解决结直肠镜检查过程中,息肉病种易和其他病种混淆的问题。该方法中,利用自步学习思想,通过计算每个样本在VGG网络中前向传播的损失值,与年龄参数λ进行比较,将样本划分为难学和易学样本,然后按照由易到难逐渐加入样本参与到模型训练中。SPVGG方法能在保证其他类别的分类精度的基础上,显著提高息肉的识别率。最后为了辅助肠镜医生准确的判断息肉是否需要手术切除,将结直肠镜图像分类任务上训练好的模型迁移至分割网络作为编码器部分,成功完成息肉分割任务。(3)提出一种基于生成对抗网络的半监督3D MRI前列腺图像改进分割方法,用来解决医学图像处理中,医生手工标注困难,医学影像标记少条件下前列腺MRI图像分割问题。该方法首先将生成对抗网络的判别器替换为3D U-net网络,同时将少量的有标签数据、无标签数据以及生成器生成的数据,分别输入判别器,并将判别器中提取的有标记数据特征和无标记数据特征各自与生成数据特征的差异项加权求和共同构成生成器新的损失项。该方法可以在较少标记样本条件下,精确定位前列腺位置,基本准确的分割出前列腺器官。