随着人工智能的不断发展,将深度学习应用于医疗影像分析,可以帮助医生定位病症、分析病情并做出诊断。在临床实践中,支持分类结果的视觉证据,例如异常部位的空间定位或分割,是临床诊断不可缺少的一部分。在这些任务中,模型的预测精度在很大程度上依赖于大量像素级别注释的数据集。然而,对于医疗图像的标注,往往需要具有丰富经验的相关领域专家来操作,使得建立具有像素级标注的大规模数据集具有极大的难度。因此,研究弱监督学习方法,能够在像素级别标注困难的时候更充分挖掘和利用数据。本文聚焦于胸部X光影像,引入深度学习的方法,建立端到端的胸部疾病弱监督定位框架,在图像级别标注情况下,实现疾病分类及位置可视化。针对弱监督定位的任务目标,本文首先需要建立一个性能良好的分类模型框架。因此,根据胸部X光影像的特点,本文基于卷积神经网络建立了分割引导分类的级联模型框架,经过肺部区域的预分割,降低了背景噪声对胸部疾病分类的影响。对于分类模型,本文引入了空间和通道混合的注意力机制,进一步的引导模型对疾病特征的学习。此外,对于医学图像中经常存在的类别不均衡问题,本文通过给损失函数分配权重因子的方法进行有效缓解。在得到性能良好的分类模型后,本文通过类激活映射的方法,得到病理显著性区域,并进行了可视化。由于医学影像中的病理特征复杂,直接使用类激活映射容易不能有效聚焦到真正区域。因此,本文在此基础上设计了双分支模型结构,并通过前向推导类激活映射算法作为理论支撑,将模型学习到的上分支病理特征激活区域输入到下分支进行再学习,能够提升模型输出可视化区域的显著性;同时,双分支结构的学习模型能够端到端的训练和推理,从而避免二次迭代所增加的时间复杂度。