医学影像在临床诊断和治疗中发挥着重大的作用,如何快速有效地从影像数据中发现疾病,并做出正确的临床决策,是提高患者治愈率和生存率的关键。随着医疗设备的日益普及,医学影像数据正在大量增加,然而放射科医生数量的增长却相对缓慢,这使得医生面对巨大的工作量以及压力,不可避免的会出现漏诊误诊。近年来,人工智能技术的发展为解决此类医疗资源短缺问题提供了新的思路。尤其是影像组学,融合了放射学、肿瘤学和计算机科学等多学科知识,可以从医学影像中挖掘高通量的特征,并进行建模分析,以用于临床决策支持。影像组学的研究流程通常包括影像数据获取、肿瘤分割、特征提取、特征选择和建模分析。其中,肿瘤分割问题是影像组学研究中的关键步骤,由于医学影像种类繁多,肿瘤边界往往模糊不清,精确的分割具有很大的挑战性。医生手动标注费时费力,且存在较大的主观性,造成影像组学研究的可重复性变差。此外,在影像组学研究中,很多研究只针对小样本,造成模型的泛化性能较差。以上问题在很大程度上限制了影像组学在临床中的应用。本文针对以上问题,结合临床实际需求,面向常用的磁共振成像(MRI)和电子计算机断层扫描(CT)这两种成像模态,围绕常见的癌症类型,综合运用深度卷积神经网络(CNN)与传统机器学习建模分析技术,对影像组学的相关问题进行了充分研究,并取得了一定成果。主要创新性工作如下:1)面向MRI脑肿瘤分割的神经网络结构设计。脑肿瘤形状和大小差异较大,其边界也比较模糊,即使是专业医生进行手动分割也具有很大的挑战性。针对此问题,本文提出了一种基于深度学习的三边分割网络(Trilateral Segmentation Network,TriSegNet)。TriSegNet 由三个路径组成,分别为捕获丰富空间信息的空间路径、获取足够大的感受野并编码丰富上下文信息的上下文路径、恢复原始输入大小并定位肿瘤细节的定位路径。此网络结构可以在学习具有高度区分性的语义特征的同时保持较高的空间分辨率,以有效识别较小的肿瘤区域和模糊边界。实验结果表明此网络可以准确有效地对脑肿瘤进行分割。2)面向CT小细胞肺癌分割的神经网络结构设计。CT与MRI成像原理不同,且一般具有更高的分辨率,如何有效地分割CT图像一直是一个难题。针对此问题,本文提出了一种基于深度学习的混合分割网络(Hybrid Segmentation Network,HSN)。HSN包含了一个轻量化的3D CNN和一个精细化的2D CNN,其中3D CNN使用降采样的图像和时空可分离3D卷积以减少内存需求和计算成本,2D CNN可以在保持较高空间分辨率的情况下学习细粒度的语义信息,并提出一个混合特征融合模块以有效融合2D和3D特征。此网络结构融合了3D CNN学习长程上下文信息与2D CNN学习细粒度语义信息的优点,实验结果表明该模型可以准确地分割小细胞肺癌区域。3)基于影像组学分析的自动化脑肿瘤分级。该方法结合了 MRI脑肿瘤自动分割和影像组学建模分析,首先使用多尺度3D卷积神经网络分割整个肿瘤区域,并从中提取了大量的影像组学特征,使用递归特征消除方法选择最优特征子集,并评估了三种分类器。实验结果表明,影像组学建模分析可以有效区分高级别和低级别脑肿瘤,可以在一定程度上辅助医生进行临床决策。4)基于影像组学分析的小细胞肺癌化疗效果预测。从肺癌区域中提取了高通量影像组学特征,并选择了最具判别力的13个影像特征,使用支持向量机算法计算影像组学得分,并与临床特征进行组合建模分析。实验结果表明,该模型可以有效预测小细胞肺癌患者对一线化疗方案的临床反应。5)基于影像组学分析的多中心非小细胞肺癌亚型分类研究。非小细胞肺癌的组织学表型鉴定对治疗方案的选择至关重要。当前许多研究样本较少,缺乏独立的外部验证数据集,模型的泛化性能无法得到充分验证。针对此问题,本文回顾性地研究了来自不同中心的三个独立数据集进行建模分析。对于每种数据集及多个数据集的组合,都构建了相应的影像组学模型。实验结果表明,基于合并数据集的模型比单个数据集得到的模型具有更高的稳定性。