本文致力于探究高维小样本医学影像分析方法。小样本方面，本文提出了基于级联生成对抗网络和半监督学习的多参数医学影像生成方法。并设计生成复杂性度量模型自动确定生成顺序，通过先生成较复杂性较低的模态，再以生成数据作为先验信息辅助复杂性较高的模态数据的生成。本文所提出的多参数医学影像生成模型可以通过半监督学习方式达到端到端地训练。在有监督学习部分，通过约束多模态真实数据对与模拟数据对之间的重建损失，显式地学习多模态数据的联合分布。为缓解过拟合问题，在无监督学习部分通过约束真实数据与模拟数据分布之间的W距离学习不同模态各自的边缘分布。本文通过三种评估方法以及用户研究在两个图像生成任务上全面地验证了我们提出的生成模型。无论从视觉上还是定量分析结果都一致表明我们的方法无论是从视觉上的合理性还是临川意义方面都优于现有的领先方法。
　　高维样本方面，本文提出了三维卷积神经网络联合二维卷积神经网络的可以端到端学习的检测模型。通过三维候选区域提取网络检测可疑病灶区域，再通过三维空间转换网络产生固定大小且映射到血管方向的2.5维候选区域，最后通过二维分类网络完成去假阳工作。相比传统方法基于分步学习方法，我们所提出的端到端检测方案具有以下优势：1)三维卷积神经网络可以有效利用到高维数据的空间信息；2)端到端学习可以更好的实现全局优化；3)三维联合二维网络避免过拟合问题。我们在公共数据集以及在当地医院收集的数据集上通过FROC曲线评估方法，证明了我们所提出的方法的有效性。