近几十年来,随着医学成像设备的飞速发展和普及应用,医学图像数据呈爆炸式增涨,如何高效而准确地进行医学图像分析成为一大挑战。另一方面,在电子信息技术的驱动下,利用计算机技术辅助医学图像分析,不但可以提高放射医师分析诊断的效率,还能提高其精度。因此,计算机辅助检测和诊断正成为一个受到越来越多关注的交叉研究领域。近年来,深度学习技术在图像识别、目标检测等领域取得了很大的成功,并开始被应用到医学图像分析中。本文的研究内容是利用深度学习技术对医学图像中的病变组织进行自动检测,主要包括两种应用,一种是对胸片肺结节的识别,另一种是对CT腹腔肿大淋巴结的识别。由于深度学习网络包含大量的参数,在训练时往往需要大量的标签数据,而医学图像领域通常存在着标签数据少的问题。本文采用两种思路来解决这一问题,第一种是利用非监督的特征学习方法自动地学习出反应病变形态的特征,另一种是利用基于深度学习的迁徙学习方法,把从别的领域大量标签数据上训练的深度网络应用到医学图像上。本文的主要贡献如下:(1)设计了一个胸片肺结节的自动识别算法,该方法利用卷积稀疏编码自动地学习和抽取结节的特征,该特征能达到与传统特征相当的分类精度,并把它和传统图像特征融合进一步提高分类精度。(2)针对CT腹腔肿大淋巴结的检测,本文设计了一个基于堆砌卷积自编码的淋巴结识别算法,此模型首先用全部的数据样本采用无监督的方式训练得到编码模型,然后再使用少量标签样本有监督地训练得到最终的分类器。(3)本文还提出了一种基于深度迁移学习的淋巴结识别算法,首先利用大量的自然场景图像数据(ImageNet)训练深度神经网络,然后再利用标记的CT淋巴结图像数据对该网络进行微调得到最终的分类器。