随着医学成像技术的发展,医学图像已成为医生诊断疾病的重要手段,因此,为了减轻医生的负担并降低疾病的诊断难度,对图像的自动处理和分析具有非常重要的意义。传统的医学图像处理算法严重依赖于人工设计的特征,而这类特征的设计比较复杂,加上模型的泛化能力比较差,无法适应实际应用中由于成像条件和个体原因导致的图像间差异很大的情况。近年来,随着深度学习在计算机视觉、语音处理等领域取得的突破性的进展,越来越多的研究者开始将深度学习应用于医学图像的检测、分割、诊断等任务中。本文采用深度学习的算法实现医学图像中对目标的自动检测和分割的任务。本文的主要工作及创新点如下:首先,针对眼底图像中视盘检测的任务,设计了一个端到端的卷积神经网络模型。利用经过对应数据训练得到的模型对测试图像进行检测,得到包含视盘位置的概率图,之后加上阈值处理和计算重心的方式实现视盘最终的检测。从模型评估的结果中可以看出,本文设计的网络能够对各种类型的视网膜眼底图像实现对视盘快速、准确地检测,且在不同的数据集上具有很好的泛化性能,相比于同类算法有更好的效果。其次,对于眼底图像血管分割的任务,本文介绍了一种基于条件生成对抗网络的血管分割算法。在该任务中引入了多尺度的网络结构用于提取眼底图像中不同类型的血管,使该分割模型在具有明显特征的主血管部分和对比度较低、提取难度较大的血管分支上均能取得很好的效果。在模型评估阶段,通过多个在医学图像分割领域中广泛应用的评价指标对该模型进行评估,结果表明本文的方法相对于同任务的分割算法性能具有很大的提升,并在某些评价指标上能够接近医生分割的结果。另外,本文设计了一个级联的CNN(Convolutional Neural Networks,卷积神经网络)模型,可以实现对MRI(Magnetic Resonance Imaging,磁共振成像)的脑部胶质瘤进行准确、高效的分割。针对肿瘤的不同类型,在不同的维度上分别训练了对应的分割模型以提升综合的分割效果。针对3D医疗图像分割任务中图像尺寸较大,数据不平衡等问题,本文综合了3D和2D网络各自的优点,通过级联的方法在保证模型计算复杂度的情况下达到了一流的分割水平。此外,还通过相关的后处理操作如形态学处理、DenseCRF(Dense Conditional Random Field,稠密连接条件随机场)等,使模型的效果进一步得到提升。