随着人工智能技术的不断发展，医疗智能化已成为人工智能发展的一个重要方向。然而将人工智能技术应用到医疗辅助诊断中，依然面临着许多技术上的问题需要解决。由于淋巴结区域和病变淋巴结在临床疾病评估和诊断中所起的重要作用，本文以胸腔内淋巴结区域和病变淋巴结为研究对象，基于CT和PET两种医学图像模态，分别从淋巴结区域的识别、区域内病变淋巴结的识别及病变程度量化评估、病变淋巴结分割三个主要方面展开相关研究。具体地，本文的主要研究工作和创新点有：
　　(1)提出了一种基于AAR(AutomaticAnatomyRecognition-自动解剖识别)模糊模型的淋巴结区域识别方法。该方法针对淋巴结区域难以直接建模的问题，选择胸腔内易定位和识别的器官为辅助锚点，通过网格搜索算法建立了胸腔器官和对应淋巴结区域优化分层识别结构。在确定识别结构的基础上，通过AAR模糊模型建模指定锚点器官和对应淋巴结区域之间的相对距离、尺度和方向关系，实现了对淋巴结区域的自动识别。实验结果表明，相比未优化的单一器官分层识别淋巴结区域的结构，本文所提出的多器官优化分层识别淋巴结区域的方法，能够有效的改进淋巴结区域在CT图像上定位和识别的性能。
　　(2)提出了一种形状先验的病变淋巴结识别方法。该方法针对淋巴结在CT和PET图像中特征不显著、难以准确定位的问题，首先利用淋巴结具有椭球型的形状先验知识，设计了一种基于统计分析的球型滤波器定位淋巴结，降低了候选淋巴结假阳性的比例，提高了淋巴结定位的准确度。其次，结合支持向量机的分类功能，设计了一种球体、切面和像素点三层分类和迭代的淋巴结识别策略，增加了淋巴结特征的整体维度，提高了淋巴结识别的准确率。本文所提出的球型滤波器定位和支持向量机分类相结合识别淋巴结的方法，解决了淋巴结定位困难和难以识别的问题，为淋巴结的识别研究提供了一种新的研究思路。实验结果显示，本文所提出的淋巴结识别方法在特异性和Dice相似度指标上均达均优于深度卷积网络SegNet方法，说明了先验知识设计与人工特征提取相结合识别淋巴结方法的可行性。
　　(3)提出了一种基于半高斯函数的疾病量化评估方法。该方法针对疾病量化评估中病变淋巴结在PET图像上边界不确定的问题，利用半高斯函数权重渐变的特性，以一种模糊隶属度的方式，对淋巴结以及淋巴结边界附近的像素值进行病变程度的模糊处理，最终实现了基于病变淋巴结的疾病量化评估。实验结果表明，相比在PET图像上直接计算疾病的评估指标总病灶糖酵解值，采用本文所提出的基于半高斯函数的疾病量化评估方法，能够显著降低量化评估过程中产生的误差。
　　(4)提出了一种基于空洞卷积网络的病变淋巴结分割方法。该方法首先针对正负样本不均衡对深度卷积网络训练稳定性和效率性方面带来的问题，设计了一种能够在训练过程中分配易分类样本小数值权重、分配难分类样本大数值权重的正余弦损失函数，提高了网络稳定训练的效率和分割的性能。实验结果表明，相比同一网络下其它损失函数对淋巴结分割，所提出的正余弦损失函数在训练时间和分割性能方面均有提高。其次，针对传统卷积网络中下采样池化操作导致的特征图分辨率下降给淋巴结分割带来的问题，本文提出了一种基于空洞卷积的淋巴结分割网络，将多个空洞空间金字塔池化模块(ASPP)引入SegNet分割网络中，增强了分割网络多尺度特征学习的能力，改进了网络对不同尺度淋巴结分割的性能。实验结果表明，相比FCN、SegNet和DeepLabv3+语义分割网络，本文所设计的两种基于空洞卷积的淋巴结分割网络，在PET/CT图像上能够改进淋巴结分割的性能。
　　(5)提出了一种基于边界环注意机制的病变淋巴结分割优化方法。该方法针对淋巴结边界附近的像素更难以分割的问题，提出了边界环的概念，对边界环中的像素在网络训练的过程中赋予更大的权重值，提升了网络在训练过程中对淋巴结边界环内像素的注意程度。同时，考虑到Dice损失函数具有平衡不同尺度淋巴结的特性，本文还提出了将Dice损失函数与其它基于边界环的不同损失函数进行联合训练的方法。实验结果表明，边界环注意损失函数联合Dice损失函数作为正则化因子，在不牺牲分割性能的前提下，能够有效提高在PET/CT图像上淋巴结分割整体的性能。