随着工业化发展、人们的生活环境和生活方式的变化,脑肿瘤及脑血管疾病逐渐成为中国第一死因,而早诊断早治疗则有助于降低病人的死亡率。脑肿瘤及脑血管疾病的诊断、手术规划及术后治疗效果评估,往往依赖于核磁共振成像(Magnetic Resonance Imaging,MRI)计算机断层扫描(Computed Tomography,CT)等医学成像技术。由于存在大量的影像数据,手工提取感兴趣区域费时费力,因此从影像中自动化提取脑血管和脑肿瘤区域是计算机诊疗辅助系统的基础。本文从医学影像特点出发,围绕基于神经网络的脑血管分割和基于神经网络的脑肿瘤分割开展研究,从不同角度出发,提出了多种基于深度神经网络的解决方案。1.提出了基于多模态卷积神经网络的脑血管分割算法在脑血管分割上,本文首先引入了卷积神经网络模型,并详细讨论了不同网络参数对脑血管分割结果的影响。在此基础上,本文采用了高斯滤波及拉普拉斯滤波分别处理原始影像,并使用三个并行的卷积神经网络对这三种影像进行分割,最后融合三种影像的结果。该算法能够降低影像中噪声的影响以及影像中非血管组织的影响。经实验验证,本算法要优于传统脑血管分割算法,且多模态卷积神经网络能有效提高网络的脑血管分割准确率。2.提出了基于对抗生成网络的脑肿瘤分割算法本文提出了基于对抗生成网络的脑肿瘤分割算法,该算法包含两个网络,分别是生成网络和判别网络,生成网络包含两个输出分支,分别是普通的网络判别分支和生成分支。判别分支用来获取每一像素点的独立分割结果,而生成分支配合判别网络获取不同像素结果间的高阶信息。通过融合这两者结果实现端到端的脑肿瘤分割优化。此外,本文提出了多视角patchGAN来获取高阶信息。经实验验证,本算法要优于现有的基于全连接条件随机场的优化方法。3.提出了基于同一特征空间的脑肿瘤分割算法针对现有的基于卷积神经网络的脑肿瘤分割算法无法应对模态缺失和增加后无法正确分割的问题,本文提出了基于同一特征空间的脑肿瘤分割算法。该算法将不同模态的影像经同一个卷积神经网络映射到同一特征空间中,并将不同模态的特征融合起来,最后将融合后的特征进行分类实现脑肿瘤分割。经实验验证,本算法能有效地应对模态缺失和增加。4.提出了基于对称性的脑肿瘤分割算法现有基于卷积神经网络的脑肿瘤分割算法忽略掉现有的医学常识,在脑肿瘤分割中,最常用的医学常识是脑影像左右不对称的区域往往是脑肿瘤区域。基于此,本文提出了基于对称性的脑肿瘤分割算法。该算法利用卷积神经网络提取的特征来计算脑影像的左右相似性图,并将该图作为注意力使得网络更加关注左右对称性差异较大的区域。经实验验证,在网络中融入对称性能有效提升网络在肿瘤分割上的表现。5.提出了两阶段由粗到细的脑肿瘤分割算法本文提出了两阶段由粗到细的脑肿瘤分割算法。该算法包含两个网络,一个是由条件对抗生成网络组成的粗分割网络,用来获取每一种肿瘤组织的粗略分割结果;另一个则是基于注意力的细分割网络。该算法将粗分割结果作为细分割网络特征层的注意力。此外,为了减轻数据不均衡影响,细分割网络采用了带掩膜的交叉熵损失函数和双分支输出来均衡脑肿瘤组织和正常脑组织。经实验验证,该算法在脑肿瘤分割上具有很好的表现。随着计算机辅助诊疗系统的发展,脑血管及脑肿瘤的精确分割变得越来越重要。虽然本文针对基于深度神经网络的脑血管和脑肿瘤分割开展了部分研究,但是如何更高效、更准确地提取脑血管和脑肿瘤还需要更多的关注。