医学影像在现代临床医学中具有不可替代的重要地位。CT成像作为医学影像技术之一,在临床疾病诊断中广泛使用。由于放射科医生工作繁重且CT图像表现复杂,导致医生在阅片过程中人工分析主观性偏高且可能出现漏诊误诊问题。因此研究算法实现从CT图像中自动检测和分割病变区域有重要的临床意义和科研价值。近年来,随着深度学习的高速发展,深度学习与医学影像的结合日益紧密。目前已有许多研究提出基于深度学习的医学影像检测和分割方法,然而这些方法往往需要大量且精准的标注用于训练深度模型。高精度的可用标注数据需要有经验的放射科医生参与,这意味着需要花掉大量的人力成本。针对数据标注难度大的问题,本文专注于研究临床上可直接挖掘使用的RECIST直径标注,在不需要放射科医生进行任何额外标注的情况下,利用深度学习方法对CT图像的病变区域进行检测和分割。研究内容和主要贡献包括以下几个方面:第一,提出基于关键点检测网络的病变区域检测方法。将病变区域检测问题转化RECIST直径标注的关键点检测问题。RECIST直径标注的关键点通常位于病变区域的边缘,直接检测RECIST直径标注的关键点可以更充分地利用其提供的丰富语义信息。在DeepLesion数据集上,本文的实验结果在单张假阳性个数为4情况下的灵敏性可以达到92.49%。第二,提出基于边缘损失的弱监督病变区域分割方法。该弱监督分割方法针对只包含病变的感兴趣区域,使用部分交叉熵损失学习由RECIST直径标注构成的有效监督信息。考虑CT图像本身具有的边缘特征,模型引入边缘损失约束分割在图像模糊区域边缘线上的学习。在KiTS19数据集上,本文的实验结果Dice系数可以达到95.96%。第三,提出一个统一了检测和分割的框架CombDS-Net网络。CombDS-Net网络将检测和分割融合进同一个网络框架,可以进行端到端地检测和分割,其训练监督信息完全由RECIST直径标注提供。在KiTS19数据集上,本文的实验结果实例分割Dice系数可以达到87.07%。在DeepLesion数据集上,由可视化结果可以看出CombDS-Net网络能够预测出准确的分割结果。