计算机辅助手术(Computer Aid/Assisted Surgery,CAS)是依靠图像引导的介入性手术,是医学研究领域目前的热点之一。它通过术前手术规划,术中配准对手术进行引导,术后评估等一系列过程,对病灶进行定位、诊断,引导医生对病灶进行相关的专业处理,解决常规手术中难定位的问题,同时减少手术并发症。在肿瘤手术中,由于肿瘤附着器官的复杂结构如脑肿瘤周围血管神经密布,以及肿瘤组织本身的浸润性,使得临床对高精度的计算机辅助肿瘤手术有着迫切的需求。本文针对肿瘤手术导航中的关键问题——手术引导的精确度进行研究,针对术前肿瘤病灶定位诊断及术中配准这两大影响手术精确度的主要因素均提出了新的解决方案。目的是为临床医生完成高精度的肿瘤外科手术提供新的契机,确保手术安全,减少病人痛苦,并在最短时间内到达靶点病灶完成手术。本论文主要研究内容与成果如下:肿瘤自动分割与诊断算法研究肿瘤的精确自动分割及早期诊断,可以提供靶区病灶位置,规避重要器官及血管神经,辅助术前手术规划,解决传统手工勾勒费时及精确度低的问题。然而长期以来,由于问题的复杂性,肿瘤分割一直存在精度低及误诊断的问题,而手工勾勒费时,对勾勒者专业要求高且缺乏自动性。针对上述问题,本文提出了新的方法:1.从综合多种模式肿瘤图像的角度出发,提出一种基于传统卷积神经网络(Convolutional Neural Networks,CNNs)的脑肿瘤自动分割与诊断算法。该算法针对传统脑肿瘤分割算法使用单一图像模式及分割精度低的问题,设计了新的CNNs架构模型。该模型可以自动学习多模态图像中的有用特征,综合利用多模态图像的信息。实验结果表明,本文所提出方法的分割与诊断精确度优于传统算法,可为医生的临床诊断及术前手术规划提供可靠信息。2.在传统CNNs基础上,提出多通道CNNs算法。首先,该算法摒弃了传统机器学习类算法手动设计特征的特征提取方式,采用自学习的方法提取多模态图像的明显特征。其次,由于肿瘤组织边界的浸润性及低对比性,该算法克服了传统CNNs方法仅利用图像边界即局部信息的弊端,综合利用肿瘤图像的全局及局部信息。实验结果表明,该算法分割与诊断的精确度优于目前最流行的肿瘤分割算法,也优于传统的CNNs算法。肿瘤图像配准算法研究术中实时采集的医学图像与术前手术规划图像之间的配准,是影响手术导航的关键指标。而肿瘤的易变形、持续生长等特征,对术中配准提出了新的挑战。本文提出了一种用于存在大变形情况的配准框架,解决了传统方法在此情况下失效的弊端。同时改进传统的相似性测度,在保证配准精度的前提下,提高算法的收敛速度。1.提出一种深度迭代配准框架及基于CNNs分类器的初始预配准算法。针对传统配准框架,仅调用一次初始预配准,固定次数非刚性配准的弊端,提出深度迭代配准框架。即在后续每次非刚性配准迭代中,再次调用初始预配准,以充分利用两次配准达到提高配准精度的目的。针对传统初始预配准方法无法处理存在大变形的情况,本论文提出分别求解初始预配准仿射变换中的旋转、平移、尺度参数。其中旋转参数,首先离线训练CNNs分类器,使其能识别多达360类旋转角度;尺度参数,使用图像大小信息将固定及移动图像尺寸达到一致;平移参数,首先通过统计学方法计算每张图像的形心,通过形心位置信息使两张图像达到一致。实验结果证明,本文方法能够替代传统框架处理存在大的变形下的配准问题。2.提出一种高效的相似性测度算法。主成分分析(Principle Component Analysis,PCA)用来提取配准中固定以及移动图像最主要的特征点,避免由额外噪声带来的误差。将PCA与传统相似性测度诸如Spearman及Pearson等相关系数相结合组成新的相似性测度。实验结果证明该算法能够在保证配准精度的同时进一步提高算法的收敛速度。