人们对采用计算机辅助诊断(CAD)系统，特别是那些基于深度学习算法开发的系统，在许多医学专业中应用非常感兴趣。然而，这些CAD系统的成功很大程度上依赖于大型注释数据集;否则，深度学习通常会导致算法表现不佳，缺乏可泛化性。因此，本论文旨在解决这一关键问题: 如何开发高效和有效的深度学习算法，以适应医疗应用中无法使用大型注释数据集的情况。为此，我们提出了三个具体目标:(1)有效地从人类专家那里获得必要的注释;(2)有效利用先进体系结构中的现有注释;(3)直接从无注释的图像中提取通用知识。我们的大量实验表明，在对数据集的一小部分进行注释的情况下，所开发的深度学习方法可以与需要对整个数据集进行注释的方法相匹配，甚至优于那些需要对整个数据集进行注释的方法。本论文的最后一部分介绍了成像在医疗保健中的重要性和应用，详细阐述了开发的技术如何影响肺栓塞的CAD系统的几个关键方面。需要进一步的研究来确定将这些先进的深度学习技术应用于临床实践的可行性，特别是在注释有限的情况下。这一领域的进展有可能使深度学习算法推广到真实的临床数据，并最终允许CAD系统在护理点应用于临床医学。