面对医疗大数据时代的海量医学影像资源,如何进行有效存储管理并进一步做好知识挖掘是亟需解决的难题。传统管理方法注重数据的存储与检索,忽略了对其中丰富解剖学和生理学信息的挖掘。另一方面,在医学影像的计算机辅助分析领域,特定人群的模板影像构建需要大量训练数据,急需从医学影像大数据库获取样本资源。模板影像是通过对大量样本影像进行机器学习获得的人群代表性影像,其中包含了样本人群的平均图像特征和不同个体之间的解剖形态和像素灰度差异。模板影像可被用来与个体病人影像进行配准,用于疾病诊断、人体仿真等领域。本研究以课题组常年与全国医院合作收集的大量医学影像为基础,构建数据库实现影像的存储与检索,并进一步研究算法实现海量影像的自动挖掘学习,构建不同身体部位、不同采集模式的代表性模板影像。本文研究内容包括以下三个方面:(1)构建医学影像数据库。基于课题组收集的396435幅医学影像数据设计医学影像数据库框架,实现依据图像采集信息、成像部位和病人信息的数据检索。采用MySQL搭建数据库后端提供数据存储的功能,使用Python编程实现医学影像数据的预处理与自动化存储,通过Django搭建基于Web的数据检索平台,提供医学影像数据在线查询、检索、修改与导出。(2)提出一种基于主动表观模型的模板影像生成方法,使用器官所在图像区域的变形场表示解剖形态变化,利用主成分分析法求解形状和灰度变化的主分量,进一步采用线性规划方法将这些主分量与人体生理参数相关联,最终构建了可以根据生理参数调节器官形态和像素灰度的模板影像。本方法对胸部和腰椎CT(Computed Tomography)、心脏PET(Positron Emission Computed Tomography)影像成功构建了模板影像,为不同生理特征的人群生成针对性的模板影像。(3)实现了一种基于深度学习算法的模板影像生成方法,采用无监督的Voxelmorph图像配准网络生成随人体生理参数变化的模板影像。实验结果展示了该方法可以成功生成随年龄而改变脑部结构形态的脑核磁模板影像。研究进一步对比了深度学习方法与前面的主动表观模型方法的性能,验证并分析了两种模板影像生成方法的优点与不足,主动表观模型方法具有更好的算法可解释性,深度学习方法的模型生成速度与精确度更高。本研究实现了医学影像数据库资源的有效利用,为生成中国人群的代表性医学影像奠定了初步技术基础。