医学影像对于疾病的临床诊断具有十分重要的价值。随着成像设备的普及,医学影像数量大幅增加,成像质量也更高。深度卷积网络在自然图像上已经取得了巨大的成就,越来越多的研究尝试将深度学习技术应用到医学影像上。在分类和分割任务上,近年来的深度学习模型相比传统方法有着更好的表现。当前,影像科医生仍有较大缺口,难以应对迅速增加的数据。另一方面,医生易受主观因素和疲劳的影响,难以持续地做出一致、客观的解读。因此,研究医学图像相关的算法具有重要的应用意义。本文主要研究了以下三方面的内容:(1)研究了迁移学习在血细胞图像分类方面的应用。通过基于模型参数的迁移,在VGG、GoogleNet和ResNet框架上进行微调,比较了不同微调方式的效果。实验对四种血细胞图像样本进行了分类,模型均为端到端的训练方式。不需要复杂的预处理和手工特征提取过程。实验结果表明,利用迁移学习能够在较有限的训练样本下获得较高的准确率,缩短了训练的时间。(2)针对已有的阿兹海默症分类3D卷积模型参数过多、计算量大,以及2D模型缺乏连续性特征的问题,提出了一种结合2D卷积神经网络与长短时记忆网络的脑部核磁共振图像分类算法。训练深度卷积生成对抗网络生成核磁共振图像,提取图像特征。为损失函数增加了正则化项,提高生成图像的清晰度,加快了卷积网络的收敛。堆叠了一个两层的长短时记忆网络模型,结合输入的特征序列与LSTM层的隐藏状态进行分类。由于三维的核磁共振图像也可以看成一个二维图像的序列,因此可以在用卷积网络将图像序列转换为特征序列后,再用长短时记忆网络进行序列的分类。通过这种方式能够在提取二维图像特征的同时考虑时序维度上的特征,相比三维的卷积网络减少了对内存资源的需求。实验结果表明,分类模型能够有效地用于MRI图像的分类,在正常控制组/轻度认知障碍以及正常控制组/阿兹海默症两个分类下,接收者操作特征曲线下面积均达到了0.9。(3)研究了基于U-Net网络的视网膜分割模型。分割算法中引入先验知识,加快模型的收敛。利用自动编码器,对U-Net网络进行预训练,获得与图像特征相关的先验知识。将标签图像与输入的视网膜图像进行融合后,作为新的输入数据,指导模型进行分割。