医学图像处理技术及应用是计算机视觉领域和医学领域都十分关注的研究方向,也是生物医学成像、图像处理、模式识别和优化算法等多个学科的交叉领域。传统医学图像诊断大多依赖于临床医生,受工作疲劳、诊断经验等主观因素影响大,近年来,运用人工智能技术协助医生进行诊断的手段不断发展。进行医学图像处理区别于自然图像处理,其难点在于数据标记的成本高、周期长,如何针对有限小样本数据集进行医学辅助诊断算法的研究是本文研究的重点。本文将研究对象聚焦于肝硬化及其并发症,根据病灶的实际医学病理意义,依托计算机强大的计算能力与分析能力,通过人工智能和数据融合的手段,建立起稳定可靠、可重复性强的模型,从而达到协助医生诊断,提高诊断效率,降低医生工作量的目的。本文从肝硬化患者肝储备功能评估以及肝下食管出血术后复发预测这两个内容进行阐述,安排如下:（1）医学数据融合:医学数据融合并非是单纯通过多幅图像进行叠加实现的,而是通过融合算法和决策规则将不同模态的医学数据进行信息融合处理,进而获得对病灶部位最直观、最可靠、最全面的语义表达。数据融合的思想将贯穿本文,在第三章中,将血清化验指标与影像组学特征相融合,实现不同数据源的融合。在第四章中,通过DICOM序列图像融合,将二维图像之间的空间信息进行互补,为医学图像进一步分析和解读提供了有力的信息支撑,实现了图像信息的高效利用。（2）基于影像组学的肝硬化患者肝储备功能评估:本文针对少量患者的影像与临床数据,探索并尝试建立一种简便、准确、可重复性强的评估新方法。实验结果也表明将无标记数据纳入其中,通过半监督学习的方式可以增强模型的可靠性。本文建立的辅助诊断算法相较于临床方法,在一定程度上对患者病情的评估更为准确,可以辅助临床医师进行诊断。（3）基于深度学习的肝下食管出血术后复发预测:术前诊断通常会使用临床指标进行预测,图像中虽含有丰富的病灶信息,而人眼观察对这些有用信息不一定敏感。本文针对食管附近DICOM序列切片,利用其蕴含的三维信息,探索建立一个有效利用切片间空间信息的深度神经网络结构。实验结果表明,本文搭建的CONV-LSTM模型通过其强大的特征提取与预测能力可以协助医生进行患者出血手术后复发情况的预估。