儿童脑肿瘤是最常见的儿童实质性肿瘤,是导致儿童死亡的重要原因。后颅窝肿瘤在4-10岁患儿中占绝大部分。后颅窝肿瘤主要包括髓母细胞瘤、室管膜瘤和星形细胞瘤。这三种脑肿瘤恶性程度不同,治疗和预后方法也大不相同,因而早期诊断及合理的治疗方式尤为重要。目前,对于儿童脑肿瘤的诊断以及预后治疗都需要借助于医学影像。其中,无辐射的磁共振影像技术在儿童疾病中的应用越来越为广泛,且磁共振影像具有软组织分辨率高、可以多平面多序列成像等优点。扩散加权成像作为一种功能性磁共振影像,能够提供丰富的组织信息,在肿瘤诊断中具有重要的指导意义。本论文主要使用扩散加权成像中的表观扩散系数(ADC)参数图,来进行三种儿童后颅窝脑肿瘤的智能分析,并将脑肿瘤分割和分类结合在一起,从而为儿童脑肿瘤自动化诊疗提供解决方案。本论文的工作主要包括以下三个方面:(1)儿童脑肿瘤分割工作。分割工作为后续的分类工作提供肿瘤区域的定位。分割方法中首先使用OSTU阈值法进行脑实质的分割,而后使用模糊C均值聚类和水平集方法分割脑实质区域中的脑肿瘤。对于386张肿瘤切片进行分割后,能够达到88.5%的精确度。而后将分割结果生成脑肿瘤方形patch,方便后续的脑肿瘤分类。(2)使用传统机器学习方法进行三种儿童脑肿瘤的分类工作。该部分首先对肿瘤区域进行特征的提取,包括直方图特征和纹理特征。而后使用特征选择的方法来减少特征的冗余。使用logistic回归分类器以及随机森林分类器实现分类任务。随机森林分类器拥有较好的表现,三种脑肿瘤分类的总体准确率为92.3%。(3)基于深度学习方法的儿童脑肿瘤分类工作。采用迁移学习的方法,将深度学习方法应用于小样本的医学图像之中,并使用三种策略来进行实现。另外,通过数据平衡的方法来提升分类性能。为更好地理解神经网络的工作方式,本论文对表现最好的卷积神经网络进行了网络的可视化。最后,本论文对各个分类模型进行了集成,将多种分类方法进行结合,得到了 97%的总体分类准确率。