近年来,以深度学习算法为代表的人工智能理论与实践飞速发展,推动了多个研究与应用领域的变革。深度卷积神经网络已经广泛应用在了各大计算机应用中,在某些分类任务上甚至已经能够超出人类的识别能力。为了响应政府提出的“智慧医疗”建设构想,与医学相交叉的辅助诊断算法与应用研究成为了计算机视觉领域中的一大热点问题,涌现出了许多基于深度学习的医学辅助诊断算法。基于深度学习算法实现的医学影像辅助诊断系统能够有效缓解临床放射科医师的工作负担,减少漏诊甚至误诊的情况出现。本文研究了基于深度学习的胸腔医学影像辅助诊断算法设计与应用,总结了前人的相关研究工作,提出了改进与提升方法,主要工作包括以下三个方面:(1)为克服目标检测算法在肋骨骨折检测任务中的局限性,提出了一种基于轻量级MobileNet网络的空间多尺度信息融合模型的肋骨骨折检测算法。将肋骨骨折检测分两个阶段:首先基于图像处理算法提取医学影像中的骨骼区域,将提取得到的肋骨区域通过线性插值方式获得多种尺度大小的肋骨图像;然后采用空间多尺度3D MobileNet卷积神经网络模型融合的方式实现肋骨骨折性质的分类。该网络模型在某医院影像数据集上的实验结果表明,空间多尺度信息模型融合能够有效提升肋骨骨折检测的准确率。(2)为提高卷积神经网络结节检测的准确率,降低误报,提出了一种基于注意力机制的肺结节检测算法,引入注意力机制后的3D卷积神经网络能够对特征映射分别在通道和空间两个层次上进行增强,起到抑制任务无关区域的作用。3D区域提案网络输出层用于生成候选肺结节区域,最后通过非最大抑制算法去除冗余的候选结节区域,得到肺结节检测结果。该网络模型在LUNA16数据集上的实验结果表明,引入注意力机制的卷积神经网络能够有效提升肺结节检测的准确率。(3)结合(1)和(2)中的两大胸腔医学影像检测任务,设计并实现了一个基于深度学习的胸腔医学影像辅助诊断系统。辅助诊断系统划分为了三个模块:数据持久化模块、模型推断模块和诊断可视化模块。该辅助诊断系统根据患者的检查类型,通过后台搭建的处理流程完成医学影像数据预处理和模型推断工作,将检测结果作为诊断建议可视化返回给临床放射科医师,辅助医师完成诊断工作。