在医学影像识别领域,基于传统机器学习的识别算法通常离不开人工干预,有时甚至要求操作者具备丰富的临床经验及医学先验知识。对比传统的机器学习算法,基于深度学习技术的识别算法能够自动提取图像的高维语义特征,避免传统算法在提取特征时由于人为因素导致的性能问题,其已经成为视觉计算领域的重点研究方向。因此,基于深度学习技术进行医学影像病灶检测及目标识别是非常前沿的研究课题。本文以颈部淋巴结作为研究对象,探索基于深度学习技术的淋巴结识别算法。针对淋巴结自身存在的病理复杂、形态小、不规则、分布区域广泛等成像特点及识别难点,从以下几个方面简要论述本文的主要工作:(1)针对医学影像普遍存在影像资料缺乏、标注稀缺的问题,本文基于有限的医学影像数据进行增广以丰富数据集,除常规增广策略外,弹性形变也是极为重要的增广策略之一。通过微小的弹性形变来模拟真实环境的医学影像数据,以便允许神经网络学习医学影像的形变不变性。经过多项研究表明,该增广策略非常有效,有助于进一步提高识别率。(2)针对当前算法识别过程中容易受到诸多无关组织干扰的问题,本文提出级联全卷积网络的识别算法,基于丰富的医学先验知识提出先分区后提取的淋巴结识别策略。针对淋巴结形态尺度变化明显导致假阳性去除效果不理想的问题,提出特征块平均池化理念,用以替代传统三维分类网络的全连接层,使得网络基于样本的原始空间信息进行深度学习以提供更精准的判别结果。(3)针对当前算法无法平衡全局信息识别目标与避免对目标位置产生偏向性的问题,本文提出半随机采样策略,结合三维局部定位算法和三维整体定位算法两者的优势,同时实现有效的数据增广。针对淋巴结尺度变化明显导致常规网络整体识别精度低的问题,提出基于注意力机制的自适应感受野识别网络,其根据不同刺激动态调节自身感受野并融合多尺度特征以增强对尺度差异明显的目标识别,在耗费较少的计算代价前提下实现更好的识别效果。