随着物联网信息产业的发展,各种信息的数量急剧增加,特别是在医学领域,医疗数据爆炸式增长,如大量的图像数据、视频数据和文本数据等,这些数据有很大的潜在价值。在大数据分析技术不断发展的背景下,出现了深度学习与医学领域的深度结合。例如,通过深度学习技术进行颅内动脉瘤的检测是目前的研究热点之一。颅内动脉瘤是指动脉内腔异常扩大导致动脉壁上的囊性突出,是造成蛛网膜下腔出血的首位病因。动脉瘤的破裂与大小有关,仅靠医生进行动脉瘤的标注是缓慢而乏味的,特别是对于大型数据集。本文着重研究了非局部神经网络,对网络的不同方面进行改进,并将其应用在颅内动脉瘤的检测与测量中。本文的主要工作如下:(1)针对非局部神经网络中相似性度量函数容易造成加权不足的问题,提出了一种改进相似性度量函数的非局部神经网络。首先,利用高斯型函数计算输出位置与所有可能位置之间的相似性,再用余弦型函数计算同样的相似性,两个相似性以点乘的方式结合,弥补了高斯加权不足和余弦过度加权的缺陷。其次,将改进后的非局部模块插入到卷积神经网络中,使得提取的特征充分考虑非局部的信息。实验结果表明,改进后的网络实验效果明显提升。(2)由于医学图像中分割目标的大小、形状变化复杂等问题,u-net在一些医学图像分割中并未达到预期的效果。针对这一问题,提出了一种基于u-net改进的非局部神经网络。首先,利用u-net神经网络的下采样过程进行特征提取,在此过程的第二层卷积层之后嵌入非局部模块,使得提取的特征能够更好的掌握非局部的特征信息。其次,将下采样的信息与上采样过程进行整合,用“跳跃连接”将各个层次的信息保留,从而将图像中所需要分割出来的部分进行精准定位。实验结果表明,结合了非局部模块的u-net神经网络在图像分割方面的效果明显提升。