医学图像的分析与识别是各种重大疾病早期检测与治疗引导的核心方法。医学图像的人工分析所具有的低效、主观、人力成本高等缺陷，使得医学图像成为人工智能最有价值的应用场景之一。目前，以深度学习为代表的计算机视觉技术在医学图像识别中得到了广泛研究，但深度学习对大规模数据的依赖和医学图像的小样本问题仍然是该领域的主要瓶颈。

近年来，研究人员提出了一种虚实互动的智能视觉计算方法——平行视觉，用于解决计算机视觉研究中大规模、多样性数据获取与标注存在的挑战。平行视觉的核心方法在于构造与真实系统平行的人工系统来模拟和表示复杂的实际场景，并通过计算实验进行视觉模型的训练与评估，最后借助虚实互动的平行执行指导模型的持续优化，最终实现视觉模型在复杂环境中的实际应用。

在这种背景下，本论文基于平行视觉体系从多种视角研究了小样本医学图像识别问题，首先针对这一问题提出了一个整体的理论框架，随后，基于该理论框架，从不同的角度开展了进一步的深入研究。本文的主要贡献总结如下：

1. 针对目前的医学图像识别方法大多依赖于大规模数据集、缺乏可解释性、难以有效利用医学领域知识等缺陷，提出了平行医学图像（Parallel Medical Imaging，PMI）理论框架，其核心思想在于：通过人工系统实现原始医学图像“小数据”的有效增广扩充，增强针对目标任务的监督经验；设计视觉模型以开展计算实验，实现模型在小样本下的学习与评估；借助平行执行融合医学图像特有的领域知识以引导参数优化学习。此外，以乳腺钼靶图像识别与皮肤病图像识别为例，对PMI 在小样本医学图像识别中的实现方法和具体应用进行了详细说明，实验结果表明了PMI 方法对于提升小样本医学图像识别性能的有效性。

2. 从人工系统的研究角度，进一步提出了一种面向医学图像的虚拟数据生成方法，解决了带有精确分割标注的病灶图像难以获取的问题，并为PMI 中的人工系统构建提供了一种实现方式。为了保证生成数据的有效性，并针对以往医学图像生成的相关研究大都集中于生成特定类别的数据，从而只能用于分类任务这一局限，提出了一种基于生成式对抗网络的带分割标注图像生成方法；考虑到医学图像的专业性，设计了一种专家评价机制以实现对生成图像的专业评估。实验结果表明，采用本方法生成的虚拟医学图像可以成功地应用于深度分割模型中，并显著提升了小样本下的医学图像分割精度，在从医院采集的私有数据集上较以往方法提升了约7.5% 的准确率。

3. 从计算实验的研究角度，进一步提出了两种面向医学图像识别的多任务模型，有效缓解了小样本造成的模型过拟合风险，并为PMI 中的计算实验部分提供了技术支撑。（1）依据医生往往基于相似的特征完成病灶区域分割和病情分级诊断这一临床经验，提出了一种基于混合监督的分割与分类多任务模型，并在公开数据集上较当时最佳算法提升了约3.3% 的分割精度和3.7% 的分类精度；（2）依据多任务学习的参数共享机制，设计了一种基于参数共享的对抗协同学习网络，实现了同时的医学图像分割与生成并提升了小样本下的任务性能，在公开数据集上较以往模型提升了约2.1% 的分割精度。

4. 从平行执行的研究角度，进一步提出了一种基于模糊学习算法和医学领域知识的分层级联模型，为PMI 中的平行执行部分提供了一种研究思路。这一模型的主要创新点包括：设计了一种集成深度分割网络，提升了小样本医学图像分割的性能，在公开数据集上较以往模型提升了约4.5% 的分割精度；提出了一种融合二型模糊聚类算法的模糊神经元网络，利用模糊学习算法引导参数优化，提升了小样本医学图像分类的性能，在公开数据集上较深度学习模型提升了约20.5% 的分类精度；设计了融合领域知识的特征表示，并采用模糊学习模拟专家推理机制，缓解了深度学习方法存在的跨数据集泛化性差和可解释性差问题。

本论文为小样本医学图像识别问题提供了一个新的研究思路和系统的理论指导，并从不同的研究角度提出了一系列解决方案。实验证明本文提出的方法在小样本医学图像识别的各类具体问题中取得了良好的效果，同时也容易被应用到实际系统中。更进一步，本研究期望从根本上帮助医生提升医学图像识别的效率和诊断的准确性，拓展医学图像在临床诊疗中的应用，并促进平行视觉及小样本学习理论的发展。