如今,临床医生对很多疾病的诊断都依靠对医学影像的观察分析,然而,由于成像设备本身成像质量的局限性及临床医生经验和知识水平的限制和影响,医生诊断往往会出现误诊与漏诊。为了缓解这个问题,计算机辅助诊断应运而生。近年来,卷积神经网络被引入到医学图像领域的各种应用中,如疾病分类、预测、病灶检测和图像配准等,且都获得了较大成功。相较于传统的机器学习方法,基于卷积神经网络的深度学习方法可以免去特征工程的繁杂,通过卷积神经网络强大的特征表达能力,端到端的完成任务,并且近年来,有一些研究探索在卷积神经网络中使用注意力机制来提升网络性能。然而,卷积神经网络在医学图像领域的应用仍面临诸多挑战,包括医学图像的数据量较小导致模型训练不充分而性能较差;有些成像仪器的成像质量较差,而加大了模型优化的难度等。针对卷积神经网络在医学图像领域存在的挑战,本论文以全乳超声图像（Automated Whole Breast Ultrasound,ABUS）和眼底视网膜图像为对象,探讨卷积神经网络与注意力机制在医学图像领域的应用。主要研究成果包括如下两个方面:一方面,对于ABUS图像的解剖层分割,本论文提出了一种基于协同注意力的ABUS图像解剖层分割方法。以ResNeXt为基础架构,嵌入空间和通道注意力模块作为编码路径,进一步引入了非局部上下文模块通过计算特征图中任意两个位置之间的关系而捕获长范围依赖,进而帮助提升分割性能。该方法的解码路径采用了权重上采样模块,以获得更好的类特异性上采样效果。同时,引入了协同注意机制,将网络构造成双输入网络,学习连续切片间的相关性,从而提高了连续切片之间的分割一致性。实验验证了该方法对复杂的ABUS图像解剖分割问题的有效性。另一方面,对于早产儿视网膜病变的识别,本论文使用注意力增强的残差网络进行分类。具体来说,我们首先选择ResNet作为我们的基础架构,并嵌入空间和通道注意力模块增强其特征表达能力。然后,我们利用梯度加权类激活映射（gradient-weighted class activation mapping,Grad-CAM）对训练后的模型进行可视化,探讨网络的可解释性问题。实验验证了该方法的有效性,而且该模型还成功地检测到视网膜图像中ROP的病变结构（分界线或脊线）区域。综上,本文以全乳超声图像与眼底视网膜图像为对象,探讨卷积神经网络在医学图像分割与识别中的应用,并且利用注意力机制增强网络的特征表达能力,它是通过注重有用特征,抑制不重要特征实现的。另外协同注意力还可以探索不同输入之间的相关性,在本文中被用于计算全乳超声连续切片的相关性,以保持连续切片分割的一致性。本文进行了大量分析对比实验,验证所使用方法的有效性。本文使用方法,不仅局限于全乳超声图像和眼底视网膜图像,也可扩展于其他医学图像的分析。