脑梗塞,又名脑梗死,指在大脑中由于脑部血液循环障碍,导致脑组织大面积缺血缺氧性坏死。在临床诊断中,通过核磁共振技术MRI确定脑梗塞时,病变组织有形状复杂,大小可变和边界模糊的特点。因此,需要经验丰富的临床技师进行观察和手动标注,常有因为技师不同有不同诊断结果的问题。目前深度学习开始广泛应用于医学图像处理中,用深度学习的方法对脑血管梗赛的病灶位置进行识别和分割,从而代替人工技师。加快临床诊断的速度和减少误诊、漏诊情况的发生。因此研究多尺度目标检测算法和自适应精确分割算法是非常有必要的。本文首先从理论研究和临床实践的意义进行阐明,然后对国内外研究现状做介绍。其次,对本课题的相关知识重点介绍。然后重点阐述本文所提出的算法,包括数学推理、算法操作步骤。最后根据实验结果,做出评价分析。本文主要创新点如下:(1)针对脑部MRI图像检测识别脑梗塞病症的问题,提出Cerebrum R-CNN框架。将2D R-CNN网络扩展到3D医学影像检测,在特征提取网络FE-Net中加入多种残差模块和使用最邻近插值法,特征对齐模块CerebrumRoIAlign加入三线性插值模式和分类单元Softmax3,区域推荐网络CerebrumRPN中使用分类单元Softmax2,对输出RoI区域所属脑部组织进行划分。同时,在边界框预测网络CerebrumBox中使用二次对齐机制来保证输出候选框的准确率。与传统识别等方法相比,本论文提出Cerebrum R-CNN模型对于本实验数据集检测其准确率为86%、召回率为79%、IoU为87.1%。(2)针对脑部MRI图像脑梗塞病症分割的问题,改进、提出自适应分割CerebrumFCM算法。在经典FCM(Fuzzy C-Means)算法基础上,提出邻域局部约束SF_FCM算法,更进一步引入量子粒子群和空间转换思想,同时加入局部灰度统计方法,进而提出CerebrumFCM算法。本论文提出的自适应分割CerebrumFCM算法在本实验数据集上Dice系数为84.12%,性能表现超过现有FCM及其改进算法。