乳腺癌具有极高的发病率和死亡率,是一种对女性健康具有重大威胁的恶性肿瘤。在患者确诊为乳腺癌后,如何快速准确的针对不同的患者制定合适的治疗方案至关重要。临床上新辅助化疗正逐渐成为乳腺癌的主要治疗方式,且治疗后达到病理完全缓解的病人五年生存率很高。由于不同患者在新辅助化疗后治疗效果各异,化疗无效的患者极可能错过最佳治疗时机。因此急需一种无创式的评估和预测方法,对患者的治疗效果进行预测,辅助医生选择合适的治疗方式。本文拟通过分析乳腺对比增强核磁共振图像,提取关键图像信息,达到预测新辅助化疗疗效的目的。本文的第一个工作构建了一个基于注意力机制级联的3D-UNet深度卷积网络ACUNet,用于乳腺肿瘤区域三维分割。网络充分利用三维空洞卷积的优势,扩大感受野以获取高层次的多尺度的全局背景信息;利用注意力机制确保网络在分割时的注意力主要集中在乳腺肿瘤区域,获取更多局部信息。通过结合全局和局部的特征信息,实现更好的分割效果。在测试集中最终达到了平均Dice系数0.8012,HD 7.4592,ASSD 1.3617,RAD 0.0442的指标,优于3D-UNet和3D-Vnet经典分割网络。本文的第二个工作在第一个工作的基础之上,构建影像组学研究模型,预测NAC疗效。基于第一个工作获取肿瘤分割边界,针对肿瘤区域和肿瘤周边连续的5个2mm的环形区域内,分别提取形状特征、一阶特征、灰度特征、Haralick特征、Laws特征、Co Ll AGe特征和Gabor特征,构建瘤内特征集和瘤内加瘤周的组合特征集,使用秩和检验结合最大相关最小冗余的方法构建最佳特征子集,基于LDA和SVM分类器构建预测模型。在实验设计上,本文分别针对全部的患者数据和不同分子亚型的患者数据进行了预测,最终发现在组合特征集上的预测效果比只用瘤内特征集的预测效果好,展现出肿瘤周边区域的微环境中包含大量肿瘤相关信息。测试集的预测结果如下:基于全部患者数据的预测:AUC值为0.781,准确率为0.744,敏感度和特异性分别为0.603和0.859;基于HER2+型、Luminal型、TNBC型的AUC值分别为0.810、0.886、0.738,准确率分别为0.800、0.745、0.690,敏感性分别为0.616、0.857、0.786,特异性分别为:0.806、0.727、0.733。利用瘤周特征提高性能的同时,本文还可以准确地定位特征所在区域,帮助医生了解瘤周具体哪些区域对于预测有更好的效果。最终的模型能够有效辅助医生判断患者是否进行新辅助化疗,提高治疗效率。