前列腺疾病实际临床诊断情况中,社区基层医生经验不足很可能出现误诊;大型中心医院病人医学影像数据量大,导致医师读片工作量过重。自2012年以来,基于大数据集的深度卷积神经网络具有明显优势,研究人员将其成功应用至计算机视觉、图像处理、医学影像分析领域。引入人工智能协助医生对多参数磁共振图像中病灶的进行良恶性判断,可提高前列腺疾病诊断的特异性和敏感性,以减少病人不必要的穿刺活检手术。而分割作为计算机辅助诊断系统中图像特征提取工作,是病理分析、疾病分期智能诊断过程中必要的预处理技术手段。根据临床统计,约70%的前列腺恶性肿瘤发生在外周带组织区域中,对外周带进行分割精确提取具有临床现实意义,可以有效提高后续多模态医学影像数据配准、肿瘤识别分类的精度。本文主要研究工作如下所述:1.本文提出一种基于深度卷积生成对抗网络的前列腺MRI图像合成方法,通过搭建改进的DCGAN网络,结合经典数据增强、超分辨重建预处理,进行网络训练,生成了逼真的前列腺MRI影像数据,将原有数据级量扩增了1倍。通过前列腺肿瘤识别分类实验,表明了本文设计的数据扩增算法有效扩展了前列腺MRI图像样本的数据量与多样性,验证了对抗学习较强的数据拟合能力。2.本文提出了一种基于DCNN多尺度特征增强的前列腺外周带MRI图像分割方法:(1)由于带医生标注的前列腺外周带图像有限,针对小样本T2加权影像数据,引入对抗学习并设计一种联合学习的损失函数,增强数据拟合能力,同时利用迁移学习优化网络,提高其识别精度加快了网络推理计算。(2)针对前列腺外周带组织形变多样性、尺度不一、边缘模糊的特性,设计了多尺度池化空洞卷积和多尺度池化模块,改进原本编解码网络分割任务中全局high level特征和low level细节信息处理的不足,提高了对多尺度信息的特征提特。(3)构建了参与网络学习和参数共享的软注意力机制,增强网络对分割组织区域的特征提取,减少无关信息的干扰和学习以提高外周带分割的精度。本文对142位患者挑选了991张T2加权图像数据集进行训练测试,定性、定量消融实验证明了增强多尺度特征提取算法的鲁棒性,提高了前列腺外周带分割准确率。研究工作具有一定理论研究价值与医学临床意义。