摘要：目的:运用图像识别和图像描述技术,研究512层螺旋CT薄层扫描结合计算机人工神经网络在小肠病变诊断上的应用价值。方法:建立基于ResNet 101、Faster R-CNN、LSTM的小肠CT图像识别描述人工神经网络模型,采用ResNet 101和Faster R-CNN联合提取图像特征信息进行ROI融合建立图像编码,采用LSTM进行图像解码输出CT图像诊断报告。设计11个病变图像特征标签,选择我院2020年1月—2022年1月行512层螺旋CT薄层扫描病例材料1572套,材料覆盖正常图像及出血、炎性息肉等9种病变类型,按7∶3随机分为训练组和测试组,对模型进行训练并展开性能测试,评价模型输出的CT诊断文字报告质量、诊断准确率及病变部位提取正确率。结果:文字报告质量评分为(4.0325±0.684)分,出现错误评估项样本占比0.8%,仅语句结合约35%存在不合理现象;各病变类型诊断准确率均在97%左右,仅腺癌存在轻微的诊断为腺瘤性息肉现象,整体病变类型诊断正确率97.17%;病变部位正确识别提取率99.43%。结论:基于ResNet 101、Faster R-CNN、LSTM建立人工神经网络模型,进行小肠512层螺旋CT扫描图像的诊断识别,可准确定位图像病变部位,根据病变部位图像特征准确进行病变类型诊断,并就11个CT图像特征进行文字化描述,输出符合医师阅读理解的图像诊断报告,并发现部分医师人工阅片遗漏错误的地方,可为医师提供更为丰富、有效、准确的CT图像诊断信息,有利于医师作出正确的诊断。