医学影像是辅助临床医师对疾病进行诊断、治疗和分析愈后情况的重要依据。随着数字化医院的快速建设以及越来越先进的医学成像设备与技术的出现,每天在医院都会有大量的医学影像产生,这大大增加了医学影像数据的存储空间,也使得医学影像诊断医师的工作量大大增加,再加上诊断医师对医学影像的诊断具有很大的主观性,从而容易导致误诊和漏诊情况的发生。对大量的医学影像数据进行检索与压缩处理,可以在一定程度上减少诊断医师的工作量、提升诊断医师的诊断效率与准确率和减缓医学影像数据对存储空间的需求。本文对医学影像检索与压缩的方法进行了研究,主要的研究内容和创新性如下:(1)结合密集卷积网络的医学影像哈希检索。图像特征提取和哈希编码是医学图像检索的两个关键性步骤,为了提取出能够充分表达图像内容的图像特征和减少哈希编码中的投影误差,提出了一种基于密集卷积网络(Dense Convolutional Network,Dense Net)和改进的监督核哈希方法。该方法先对Dense Net模型进行训练优化,并用训练好的Dense Net模型来提取图像的高层语义特征;然后,对提取到的图像特征进行核主成分分析投影,以充分挖掘图像特征中蕴含的非线性信息和减少投影误差,再对投影后的图像特征进行监督核哈希学习,把图像特征映射到汉明空间,以生成更紧凑的二值哈希码,并通过比较哈希码间的汉明距离来完成检索。实验结果表明,在LUNA16数据集和Paris6K数据集上,与其它六种常见哈希方法相比,本文方法在不同哈希码长下的平均检索精度均高于其它方法,且在哈希码长为64bits时,平均检索精度分别高达92.9%和89.2%,从而验证了本文方法的有效性和可拓展性;也将本文方法与基于卷积神经网络的哈希算法进行了时间复杂度的比较,结果表明本文方法的时间复杂度较低,说明了本文方法具有一定的高效性。(2)一种联合Canny边缘检测和SPIHT的医学影像压缩方法。鉴于医学影像的特殊性,图像中的纹理细节等高频信息对诊断医师进行判断至关重要,所以,本文以提升压缩后的重构图像对高频信息的保留量为出发点,并针对多级树集合分裂(Set Partitioning in Hierarchical Trees,SPIHT)算法的重构图像会损失高频信息的不足,提出了一种联合Canny边缘检测和SPIHT的医学影像压缩方法。该方法先对图像进行Canny边缘检测,以提取图像的高频信息,获得图像的边缘图像;然后,对图像进行SPIHT编码,并用哈夫曼(Huffman)算法对SPIHT编码后的码流进行优化,依次经Huffman解码和小波逆变换后得到一幅重构图像,将该重构图像与前面获得的边缘图像进行相加以恢复原图像。实验结果表明,在选取的10幅包含有医学和非医学的标准测试图像上,与SPIHT结合Huffman的算法相比,在不同比特率下的本文方法重构图像的信息熵较高,说明了本文方法重构图像的高频信息得到了有效保留,从而验证了本文方法的可行性和有效性。