卵巢作为女性独有的一种器官,是女性拥有健康体魄必不可少的一部分。卵巢疾病以其多样性、多发性以及潜在的恶化性质,对女性的健康带来不容忽视的影响。超声检查是当前广泛使用的卵巢疾病诊断方法,但是利用超声成像设备获取图像并诊断病情需要医生拥有多年临床经验,且带有一定主观性。本课题旨在利用当前深度学习理论在图像识别与分割领域的先进研究成果,将人工智能的手段应用于卵巢疾病的临床诊断。这样可在无临床超声医生参与的情况下,实现卵巢疾病的智能识别与卵巢疾病病灶区域的实例分割,为临床医学的智能发展提供帮助。为了实现这个目标,本课题在基于卷积神经网络的卵巢常见疾病分类以及基于Mask RCNN的卵巢常见疾病病灶区域实例分割这两个方面进行了研究,具体包括以下三个部分的工作。首先,在卵巢超声图像数据集的收集整理以及预处理方面,本课题与哈尔滨医科大学附属第四医院的医生们合作收集整理了就医患者的卵巢超声图像数据,共2269张。并根据医生们归好类的文件以及专业的卵巢疾病的超声图像诊断知识,制作了卵巢超声图像分类数据集以及卵巢常见疾病实例分割数据集的分类标签以及掩码标签。接下来,本课题对卵巢超声图像分类数据集进行了常规方法和模糊增强两种数据预处理,并对比了不做预处理、常规预处理以及针对超声图像的模糊增强对于深度学习网络的训练效果的影响。总结出常规方法以及模糊增强预处理能够提高深度学习网络的泛化能力。其次,在卵巢超声图像的分类方面,本课题对两种深度学习的网络单元Inception网络单元以及残差网络单元的提取特征的方式以及可解释性做了探究。在2269张标记好的四种卵巢常见疾病和正常卵巢的超声图像数据上,本文基于残差网络单元的shortcut连接搭建了23层卷积神经网络,并将自定义的残差单元卷积网络模型与Inception_v3、Inception_Resnet_v2、以及模型无关元学习的实现效果在卵巢超声图像数据集的分类任务中进行了对比。本课题自定义的残差单元卷积神经网络在卵巢超声图像数据集的分类中,得到较高的准确率,且模型尺寸和前向传播延迟较小,能够用以提高卵巢超声图像分类任务的实时性,并节约显存占用。进一步,利用迁移学习的方法最终在卵巢超声图形数据集上达到的最高分类准确率可达81%。最后,在卵巢常见疾病病灶区域实例分割方面,本课题基于Mask RCNN通过ResNet50和特征金字塔网络对超声图像进行特征提取、利用区域特征提取网络以及共享卷积层对病灶区域进行目标识别,最后基于全卷积神经网络和平均二值交叉熵得到语义分割结果进而完成了在卵巢常见疾病病灶区域的实力分割任务。本课题最后对比了传统分割方法和实例分割方法在卵巢常见疾病实例分割数据集上的效果。