结节性硬化症（TSC）是由TSC1或TSC2基因突变引起的常染色体显性遗传疾病,其引发的癫痫是最影响生活质量的症状之一。治疗癫痫的主要方法是抗癫痫药,但是很多患者具有耐药性,且服药一段时间后才能发现。此外,结节性硬化症患者的某些皮质结节病灶为致痫灶,其位置及形态对于癫痫的诊断及治疗很重要。因此,根据患者症状尽早判断患者服药结局以及尽早在磁共振影像（MRI）中发现并定位TSC患者的皮质结节病灶非常重要。目前,机器学习和深度学习方法在包括癫痫在内的各种疾病的数据分析、结局预测中都取得很好结果。深度学习在计算机视觉领域的巨大成就也被很好地应用于医学图像的分类、定位、分割等。然而机器学习、深度学习都需要大量数据,对于TSC这种罕见疾病,相关研究都因数据量较少和临床机制不明而难以获得令人信服的结果。因此,本文通过和深圳市儿童医院合作,构建了一个TSC患儿数据库。其中,收集了103例TSC患儿临床数据,并且采集了95例TSC患儿的多对比度磁共振（MR）图像数据,并由放射科医生对其中的TSC病灶进行了像素级分割标注。基于此,本文分别提出了基于机器学习的TSC癫痫结局预测方法,和基于深度学习的TSC病灶自动分割方法。首先,本文介绍了目前常见的机器学习算法模型,以及深度学习模型在图像领域的应用,为TSC癫痫结局预测和TSC病灶自动分割提供背景知识。其次,本文提出一套基于机器学习模型的TSC患者结局预测的方法。首先通过比较常见的3种特征选择方法（方差分析F检验、卡方系数、互信息）和6种机器学习模型（决策树、随机森林、支持向量机、朴素贝叶斯、Logistic回归、多层感知机）的不同组合,搜索到了分类性能最高的组合。然后对其参数进行了调整,使其对于癫痫结局预测任务达到最优。最后,使用置换重要性以及一种新颖的基于置换重要性的方法对各个、各部分特征的重要性做了评估,用另一种新颖的方法,通过逐步消除信息并比较模型的性能下降量,探究其中MRI特征哪些层面的信息较为重要,找到了对于预测模型比较重要的特征和信息层面。随后,本文基于U-Net提出了用于TSC病灶分割的一个新颖的多模态融合分割网络和一个新颖的多视图融合分割网络,分别能够在具有多模态MR图像数据和具有多视图MR图像数据的情况下提高分割性能。其中多模态融合网络在U-Net编码器部分融入多个模态,并加入空间注意力机制,而多视图融合网络使用两个U-Net编码器分别编码两个视图的图像,然后在设计的融合模块融合,最后使用解码器输出分割结果。结果显示,在具有多模态数据时,多模态融合网络相比单模态U-Net,Dice系数提高了11%。在具有多视图数据时,多视图融合网络相比单视图的U-Net,Dice系数提高了4%。综上所述,本文致力于将机器学习、深度学习方法应用于TSC结局预测和TSC病灶自动分割任务中,并努力提高模型性能,取得了较好结果。