急性缺血性卒中是常见脑血管疾病脑中风的一种,准确地发现并及时治疗缺血区域是降低患者残疾和死亡风险的关键。目前磁共振成像(MRI)是临床诊断脑中风最常用的方法,但急性缺血性卒中的病灶在MRI上存在边界模糊、伪影较多、大小和位置多变的现象,导致影像专家对病灶的手动分割繁琐耗时,从而出现误诊或漏诊。传统图像分割方法中的部分关键参数由专业医师根据自身经验确定,导致图像分割结果不严谨且精度低。近年来,深度学习技术自动学习图像特征的方法已得到广泛应用,该方法能够有效地辅助医生提高急性缺血性卒中的诊断准确率。本文针对急性缺血性卒中的MRI图像特征和基于深度学习的图像分割技术开展研究,以提高急性缺血性卒中病灶的分割精度为目标,主要的研究工作和贡献如下:1、构造融合Cycle GAN的编码器-解码器分割模型。该模型的工作原理如下:生成对抗网络Cycle GAN利用生成器和鉴别器实现急性缺血性卒中CT和MRI图像的跨模态转换,生成器通过对抗训练合成使鉴别器误判为真实图像的合成图像,该合成图像为编码器和解码器提供更丰富的语义信息。编码器利用空洞空间金字塔池化操作融合图像的高级语义信息,解码器通过上采样提取图像的细节信息并用跳跃链接结构级联图像的高级信息和细节信息。通过对比研究传统的编码器-解码器分割模型和融合Cycle GAN的编码器-解码器分割模型得出以下结论:丰富的输入图像信息能够有效地提高急性缺血性卒中病灶的分割结果。2、在Cycle GAN的循环一致损失函数中引入L2正则化构造新的生成对抗网络I-Cycle GAN并以此为基础对融合Cycle GAN的编码器-解码器分割模型做进一步的改进,提出基于I-Cycle GAN编码器-解码器分割模型。L2正则化具有权重衰减性,在保留输入图像全部特征的基础上根据特征矩阵各个方向的特征值大小确定该方向的衰减系数,既降低了I-Cycle GAN的复杂度又保留了输入图像的全部信息,为编码器和解码器提供更丰富的病灶信息。3、在自建的急性缺血性卒中CT和MRI数据集上对生成对抗网络和分割模型做实验对比。I-Cycle GAN合成图像的医生误判率为0.979,在Cycle GAN的基础上提高了0.0732。急性缺血性卒中病灶分割任务中,基于I-Cycle GAN的编码器-解码器分割模型在Dice系数、平均交并比和敏感度三个重要指标上均高于传统的编码器-解码器模型和融合Cycle GAN的编码器-解码器模型,分别为0.886、0.814、0.992。因此,I-Cycle GAN合成的图像包含更丰富的语义信息,基于I-Cycle GAN的分割模型对病灶分割更精准。