胶质瘤是颅内肿瘤最常见的类型，具有发病率高、复发率高、死亡率高和治愈率低等“三高一低”的特点。多发生于中枢神经系统，采用核磁共振(nuclear magnetic resonance)原理对人体内部的组织和器官进行高质量成像的磁共振(MR)成像技术，一直以来都是脑肿瘤研究的重要工具。近年来，如何应用MR(magnetic resonance)技术对胶质瘤进行准确诊断一直是全球关注的热点问题.目前的方法主要对单一的MR序列进行分析，很少将传统MR成像和诸多最新的MR成像技术(包括MR波谱、灌注成像和弥散加权成像)结合起来考虑，特别是应用于胶质瘤的诊断和边界的精确勾勒方面.然而，任何一种MR成像方法都难以全面地了解肿瘤的结构和生长状况，因而本文的目的在于从多种MR图像中提取并整合有效信息，使各种成像方法能互为补充，更全面地描述脑肿瘤的相关状况。　　 将多种影像技术所提供的信息进行有效融合，第一步就要寻找某种空间变换，使来源不同的各种影像在空间位置和解剖结构上实现配准，以获得较全面的影像信息.目前国内外关于多模图像配准的研究，通常都是考虑基于图像灰度的互信息配准.由于不同图像的灰度分布不同，互信息准则是以非参数方式得到的不同图像相似程度的度量方式.本文考虑到小波系数的参数分布形式，将图像变换到小波域内，提出一种基于小波变换和广义高斯分布的图像配准算法.首先通过研究广义高斯分布的统计特性，得到其形状参数的一般性质，然后对该分布进行参数估计，证明其参数矩估计的强收敛性.再基于所推导得到的广义高斯分布参数估计的理论基础，首次提出采用小波系数的KL距离作为配准准则，建立基于小波系数最小K-L距离(Kullback-Leibler distance)的配准新算法，从而实现不同成像模式之间的空间匹配模式。　　 实现多种图像的配准后，第二步就要提取肿瘤的多方面信息对其进行客观描述和定量分析.这里我们采用Ⅱ型非增强胶质瘤患者为研究对象。由于Ⅱ型胶质瘤患者多为青壮年，且两种亚型AS(astrocytoma)和OD(oligodendroglioma)在化疗效果和预后上大不相同.因而临床工作者希望通过无创性诊断，了解患者的肿瘤类别，从而制定相应的治疗方案，尽量减小手术给患者带来的伤害.然而，两者在常规的MRI图像上没有特异性差别，通常都变现为T1c非增强.近几年来，由于MR波谱成像模式可以提供某些代谢产物的信息，因而成为国内外脑肿瘤研究的焦点问题.然而，目前脑肿瘤波谱数据的量化和定量分析仍然处于起步阶段，人们尝试用代谢产物之间的比值来描述肿瘤的不同特征。国内的波谱研究由于MR扫描仪条件的限制，多采用单体素MRS(magnetic resonancespectroscopy)，不能得到较为全面的波谱信息。因而，我们希望基于多体素MRS的数据，考虑各代谢产物的一阶统计量、二阶统计量及其相互之间的比值，较为全面地对多种代谢产物进行统计分析，寻找能区分胶质瘤两种亚型的潜在统计量。我们的研究发现，被公认为能较好区分肿瘤和非肿瘤的CNI(choline-naa Index)指标，却难以区分这两种亚型(AS和OD).不仅如此，我们还发现单用任何一种代谢产物都难以区分这两种亚型.进一步，我们又提出以患者的正常组织作为自身对照，研究MRS数据两种代谢产物的相关系数。通过量化分析发现AS和OD在某些代谢产物的相关系数上具有统计学差异，并在临床上得到一定的病理支持。　　 进一步，我们又考虑了多种代谢产物的相关信息.我们首次提出以患者正常脑组织的代谢产物作为自身对照，通过一个正则变换来校正不同个体之间的各种变异，以便更好地提取肿瘤的相关信息.这里，我们采用LAR对波谱数据进行分析，提出了加权LAR(Least Angle Regression)的思想。同时，面对LAR提供的众多回归模型，我们首次提出采用非参数BCV(Bootstrap Cross-Validation)的方法进行模型选择.为了验证BCV方法的有效性，从模型误差的角度比较CV(cross-validation)，BCV和bootstrap632三种方法，在校正BCV过度拟合的模型误差的情形下，理论上证明了BCV比CV具有更小的模型误差，更适合用于选取LAR的最优回归模型.最后基于这种理论基础，针对低度脑胶质瘤的2种亚型最终实现判别分析。另一方面，医学实验研究通常也希望了解不同干预措施对脑区域的影响，尤其在寻找某些脑功能区域方面。由于脑肿瘤的发生具有不可预测性，因而我们很难对脑肿瘤设计一个干预实验来了解某种治疗方式对同一脑区域肿瘤的疗效，这也不合医学伦理。　　 本文主要探讨医学图像处理统计方法学的研究，因而适用于多种数字图像，故这里采用太空宇航员QCT(quantitative computed tomography)的数据研究宇宙太空飞行这一因素对宇航员骨密度的影响，寻找太空飞行前后骨密度变化最为显著的区域。STCA(suprathresholdcluster analysis)理论框架是处理这类问题的传统方法，广泛应用于脑功能区域的检测。然而这种方法最大的弊端是无法在统计参数图上选取一个可靠的阈值来构建点群，通常取参数95％分位数.基于此问题，本文提出了采用CV的方法进行点群最优阈值的选取，并综合三种不同的统计量，构造三者的第一主成分(FPC:first principle component)来描述点群特征，得到一种新的非参数纵向变化区域的检测方法.最后针对国际太空站宇航员的QCT数据，给出太空中股骨头骨密度损失最大的区域，并考虑点群大小和强度因素构造模拟实验，验证方法的有效性和鲁棒性。最后，通过对所提取的多方面信息，首次将运用于地理信息处理的带有高斯随机场的广义线性混合模型用于医学图像的分析.通过高斯随机场作为随机效应构建肿瘤不同空间位置之间的相关性，以各种配准后的空间各点的影像信息作为协变量，采用MCMC的方法对胶质瘤的边界进行估计。　　 可见，对MR影像信息进行统计学的量化整合分析，就能更好地为患者的无创性诊断进行指导，制定更好的治疗方案，从而减少手术和放疗过程中对正常组织的伤害，因而具有重要的理论和现实应用价值。本文将就MR多模图像配准、MRS量化分析、亚型分类、干预措施起作用的区域检测以及基于多种MR信息整合的肿瘤边界界定等方面进行研究。