随着智能化医学成像设备的发展,计算机软硬件技术水平的提高,医学图像处理技术在医疗领域的研究和应用日益深入和广泛,在辅助临床诊断及定量分析等方面发挥着重要的作用。本文围绕注意力机制的神经网络技术与其他医学图像处理领域中的相关问题,运用医学图像处理和深度学习,对超声,MR和CT图像等多模态医学图像展开研究,主要研究工作如下:(1)针对超声图像引导放疗中的胸腹部呼吸运动目标追踪问题,提出一种基于慢特征分析的检索式运动追踪方法。通过统计建模的方法来解决超声图像中目标与背景图像的噪声干扰,结合特征降维和慢特征分析构建图像检索图谱。根据慢特征信号的特征重新定义特征图谱中的映射关系。在基于检索的基础上更新模板图像并缩小搜索范围进而提高检索式方法的追踪精确度。另外,该工作中还涉及了超声图像引导设备的图像获取的可重复性实验,以指导临床医生利用机器臂在分次中图像引导过程中保证扫描位置的正确性。实验验证了提出的方法能够以较快的处理速度获得较低的追踪误差,在临床实时呼吸运动追踪方面具有重要的应用价值。(2)针对较复杂临床环境影响下的超声运动追踪问题,如目标形态多变,模糊及遮挡等影响,提出一种基于注意力和全卷积长短期记忆网络的超声运动追踪技术。通过引入目标提取网络关注包含目标的局部区域,借助迁移学习帮助模型提取超声图像的深度空间特征,利用注意力机制帮助模型有效地搜索目标特征预测目标位置并增强目标图像,并通过卷积长短期记忆网络归纳总结深层空间特征及目标运动规律来预测下一帧的目标位置。结合多任务学习的策略与任务加权项自适应学习以提升模型的整体性能。实验验证了提出的方法具有较快的运行速度和较高的追踪精度,可辅助临床医生在超声图像引导分次放疗过程中确保目标追踪的精确性和鲁棒性。(3)针对临床胶质瘤诊断中多模态MR图像的模态不完整及胶质瘤分级问题,提出基于注意力感知生成对抗网络进行多模态核磁图像的合成与胶质瘤分级。该网络模型引入边缘感知策略学习细节特征以提升图像的合成质量,采用肿瘤注意力感知帮助模型启发式地搜索对肿瘤分级任务有效的特征以增强特征权重,利用公共特征空间编码一对多模态间的相互关系、域不变特征以及特定于肿瘤区域的特征以增强单一模态的特征表达能力,结合多任务学习的策略并汇总多个网络模块的学习能力以提升模型的整体表现。在胶质瘤图像数据集上验证了该方法可以有效地解决一对多的图像合成问题,同时提升单一模态下的胶质瘤分级性能。(4)针对无法通过CBCT量化分次放疗剂量来预防放射性肝损伤的问题,采用基于梯度的自由形变模型图像配准方法来校正CBCT图像的电子密度同时获得器官的自动分割结果,利用校正的CBCT计算剂量后量化分次剂量,结合临床有效的放疗剂量参数,对获得的调整总剂量与计划剂量进行统计分析获得放疗剂量与放射性肝损伤的相关关系,并对多种导致剂量差异的因素(分次间呼吸运动,解剖结构变化等)进行统计分析。通过评估原发性肝癌患者放疗后出现放射性肝损伤的累加剂量与正常肝脏接受剂量的关系,验证了分次放疗过程中基于CBCT图像预防放射性肝损伤可行性。