目的:设计一种基于改进YOLOv7模型的肺结节检测算法。方法:首先，在PAFPN结构中，引入轻量化上采样算子CARAFE，以提高肺结节检测精度。然后添加一个增强型小尺度检测层，增强对于小目标肺结节的检测性能，同时可减少训练的参数量，并降低模型复杂程度。在保证各项参数指标不变的情况下，对YOLOv5原模型算法和添加增强型小尺度检测层的YOLOv5模型算法、YOLOv7原模型算法和改进后YOLOv7模型算法进行消融实验；对改进点训练集总损失进行比较；用YOLOv7原模型算法和改进后YOLOv7模型算法对2张测试集图片进行推理，将其与近年来其他经典的肺结节检测算法Mask R-CNN、YOLOv3、YOLOv5s和YOLOv7对2张测试集图片进行比较。结果:添加增强型小尺度检测层的YOLOv5模型算法精度比YOLOv5原模型算法提升了1.3%，召回率提高了3.5%，平均精度（mAP）上升了3.1%，参数量减少了25.3%，网络的复杂程度也有所减少。改进后YOLOv7模型算法mAP提高1.8%，参数量减少28.3%，模型复杂程度下降5 G。添加增强型小尺度检测层与替换特诊融合网络为轻量化上采样算子CARAFE算法在训练过程中的总损失最小。YOLOv7原模型算法精度较高，但是仍然出现了漏检与假阳性的情况，与预测图片1比较，YOLOv7原模型出现了漏检的情况；与预测图片2比较，YOLOv7原模型出现了假阳性的情况。而改进后YOLOv7模型对漏检情况和假阳性均得到了很好的改善；与经典模型算法比较，改进后YOLOv7模型算法的精度、召回率和mAP最高，分别为91.7%、89.1%、93.5%。结论:改进YOLOv7模型具有更强的特征表达能力，参数量更少，能够有效提高肺结节的检测精度。

目的:应用深度学习神经网络高精度预测非小细胞肺癌(NSCLC)患者容积旋转调强放疗(VMAT)计划的剂量分布。方法:基于Res-Unet基础网络引入大核空洞卷积模块和多头注意力(MHA)机制构建了MHA-resunet网络。在此基础上，以随机数表法从上千例接受VMAT放疗NSCLC患者中选取151例患者，以CT图像、计划靶区(PTV)与危及器官(OARs)轮廓作为输入，以剂量分布图作为输出训练神经网络。然后将该网络的性能与常用的几种网络的性能进行比较，通过PTV与OARs内的体素级平均绝对误差(MAE)和临床剂量体积指标误差对网络性能进行评估。结果:基于MHA-resunet网络的预测剂量与真实计划剂量的平均绝对误差在靶区内为1.51 Gy，靶区的 D98、 D95误差均<1 Gy。与Res－Unet、Atten-Unet、DCNN 3种常用网络比较，MHA-resunet在靶区与除心脏外的OARs内的剂量误差均为最小。 结论:MHA-resunet网络通过提高感受野来学习靶区与危及器官的相对位置关系，能够准确地预测接受VMAT放疗的NSCLC患者的剂量分布。

目的:构建一种基于多头自注意力(MHSA)机制与U-Net网络的M-UNet优化分割模型,以提高增强CT图像中肾脏小肿瘤横断面最大直径≤3 cm的分割准确度.方法:选取医学图像计算和计算机辅助干预协会(MICCAI)的2019肾脏肿瘤分割挑战(KiTS19)数据集中64例最大层面肾脏肿瘤直径≤3 cm的数据,将其按7:3划分为训练集与测试集,训练集进行五折交叉验证.建立基于MHSA机制与U-Net网络的M-UNet优化分割模型,对M-UNet和U-Net分别进行训练与测试,计算交并比(IOU)、Dice相似系数(Dice系数)和95％豪斯多夫距离(HD_95),对比M-Unet与U-Net二者对肾脏及肾脏肿瘤的分割精度.结果:M-UNet网络的IOU、Dice系数相较于U-Net分别提升3.19％和3.00％,HD_95下降41.63％.结合分割结果视觉图,M-UNet与U-Net相比,其对肾脏小肿瘤分割准确率更高,检测更为敏感.结论:M-UNet相对于传统的U-Net能够更准确分割增强CT图像中的肾脏小肿瘤,为临床对肾脏小肿瘤定位及诊断提供便利,有助于提升肾脏小肿瘤检出率.

皮肤恶性黑色素瘤是一种常见的恶性肿瘤,针对病灶区域进行准确的分割对于该病的早期诊断非常重要.为了实现对皮肤病灶区域进行更有效、准确的分割,本文提出了一种基于变换器(Transformer)的并联网络结构.该网络由两条并联支路构成:前者为本文新构建的多重残差频域通道注意网络(MFC),后者为视觉变换网络(ViT).首先,在MFC网络支路中,本文将多重残差模块和频域通道注意力模块(FCA)进行融合,在提高网络鲁棒性的同时加强对图像细节特征的提取;其次,在ViT网络支路中采用Transformer中的多头自注意机制(MSA)使图像的全局特征得以保留;最后,通过并联的方式将两条支路提取的特征信息结合起来,更有效地实现对图像的分割.为了验证本文算法,本文在国际皮肤成像合作组织(ISIC)2018年所公开的皮肤镜图像数据集上进行实验,结果表明本文算法的分割结果中交并比(IoU)和戴斯(Dice)系数分别达到了 90.15％和94.82％,相比于最新的皮肤黑色素瘤分割网络均有较好的提升.因此,本文提出的网络能够更好地对病灶区域进行分割,为皮肤科医生提供更准确的病灶数据.

针对现有的卷积神经网络在肝脏图像分割上精度较低的问题,提出了一种以U-Net网络模型为基础的分割算法.将多头自注意力机制引入到U-Net网络的跳跃连接中,在编码器部分使用空洞卷积,采用混合损失函数从而提高分割精度.在LITS数据集上通过实验结果表明,利用本文方法进行肝脏分割与传统U-Net方法相比Dice系数提升3.3％,平均交并比提升了2.4％,平均像素准确率提升了3.66％.