脑相关疾病具有高病发率、高致残率和多并发症等特点,是脑科学研究面临的重大挑战之一。特别地,核磁共振(Magnetic Resonance,MR)脑影像可以通过调节成像参数,生成反映脑部不同层面信息的多模态影像。主要包括:T1加权成像(T1-weighted imaging,T1)显像脑部解剖结构;T2加权成像(T2-weighted imaging,T2)对病灶区域信号增强显示;液体衰减反转恢复(Fluid Attenuated Inversion Recovery,FLAIR)对脑部病理改变具有高敏感度。临床上,MR脑影像已经成为脑相关疾病诊断的主要工具。基于多模态MR脑影像的分割不仅可以描述脑相关疾病的脑结构变异,还可以判断疾病进展程度。目前,MR脑影像的分割问题可分为局部脑组织分割、全脑结构分割和病灶组织分割三个层次。深度学习技术由于其强大的自主特征提取能力和强灵活性成为医学影像分析的主流方法。然而,大脑解剖结构的复杂性、MR脑影像的灰度不均匀性等问题,使脑组织之间的边界模糊不清,各结构间缺乏鲜明的轮廓和边界,限制了当前MR脑影像的分割精度。因此,本文针对上述局限性,结合深度学习当前技术,对MR脑影像综合分析并提高其准确性、适用性和鲁棒性,为脑相关疾病诊断提供客观依据。具体研究内容和主要创新工作概括如下:(1)针对局部脑组织分割中的边界模糊问题,提出了一种基于多目标集成的交互式神经网络模型。为了解决模型加深带来的梯度弥散问题,设计了交互式神经网络(Interactive Neural Network,Inter-Net),一方面在模块内引入恒等映射,实现不同阶段网络感受野的自主选择;另一方面,在模块间引入跳跃连接,融合高阶-低阶特征,实现特征的高效提取和利用。在此基础上,将分割问题转换为函数优化问题,分别从评价指标、信息论和数据分布三个角度出发设计不同的损失函数,并于决策层进行融合,提高模型分割的鲁棒性。该模型在公开数据集阿尔兹海默症神经影像学研究(Alzheimer’s Disease Neuroimaging Initiative,ADNI)上进行了模型验证。和其他代表性方法相比,该方法较好地解决了局部脑组织分割中的边界模糊问题,进而达到更精准地分割局部脑组织的目的。(2)针对疾病导致的全脑结构灰白质交界模糊、脑沟过深等问题,提出了基于边界校正的级联卷积神经网络模型。将脑结构分割存在的挑战归因于脑结构的边界确定,通过模拟人类视觉的工作原理,以级联的方式构建由粗到细的脑结构分割架构。为了充分利用大脑中的解剖结构和全局位置信息,提升空间信息利用率,该模型在以全脑MR影像整体为输入的前提下,将稠密连接引入经典的编码-解码架构中,设计了稠密连接全卷积神经网络(Densely Connected Fully Convolutional Neural Network,DC-FCN)实现全脑结构的粗分割。进一步地,在粗分割结果的基础上,提取边界体素的上下文信息,迭代校正边界体素的所属结构类别,提升全脑结构分割的精准度。该模型不仅于IBSR数据集上进行了折叠交叉验证,证明了边界校正策略的有效性,还参加了 MRBrainS13的在线评估,提交结果时该方法排名第二。(3)针对病灶组织空间位置、形状、大小极具差异性等问题,提出了交叉注意力稠密连接全卷积神经网络(C ross Attention Densely Connected Fully Convolutional Neural Network,CA-DCN)。一方面,针对病灶组织的空间多发性,结合空间域注意力和信道域注意力的优势,基于混合域设计了交叉注意力模块,并将其嵌入DC-FCN模型中,学习具有判别力的卷积特征,增强病灶组织类内的一致性。另一方面,针对典型的病灶类别不均衡问题,在戴斯相似性的基础上手动/自动引入平衡因子,提出焦点损失和广义戴斯相关损失函数,并研究集成模型对病灶组织分割任务的优化效果,均衡病灶组织分割的敏感度和特异度。该模型在WMH2017训练集数据上进行了折叠交叉验证,说明了多模态数据和交叉注意力的有效性。此外,该方法还参与了 ISBI2015的在线评估,取得了团队排名第三的成绩。