脑卒中是一种常见的脑血管疾病,指的是由血栓堵塞大脑的动脉使血流的供应短暂或持续减少,进而引发相应支配区域脑组织缺血缺氧死亡的疾病,具有高发病率、高致残率、高死亡率等特点,多发于中老年人群中。根据统计,在我国脑血管疾病死亡率中,由脑卒中引起的死因已经位居前二。目前,对于脑卒中患者较为有效的治疗方法是溶栓治疗。溶栓治疗在疏通血栓组织的同时,也有可能引发其他脑组织出血以及脑水肿等再灌注损伤,因此在治疗前需要对患者接受溶栓治疗的风险和收益进行全面评估。而基于基线CTP或者MRI影像进行脑卒中最终梗死区的精确预测可以作为医生筛选合适的溶栓治疗患者时的辅助判断信息之一。脑卒中最终梗死区预测可以看成对影像中体素进行二分类预测的问题,即预测每个体素的结局。目前对脑卒中最终梗死区预测的研究还较少,大多数算法还是基于简单的统计学方法,没有充分利用多模态影像间的关系以及不同体素间的空间关联。为了提高对脑卒中最终梗死区预测的精度,本文提出了一套基于多模态磁共振影像的机器学习与深度学习相结合的预测算法。相比于传统的基于单模态单阈值进行梗死区与非梗死区预测的方法,本文首先提出了基于改进的集成学习的最终梗死区预测算法,每个体素的预测值都由该体素与其邻域体素特征共同决定。本文进一步利用近年来在计算机视觉领域被广泛使用的卷积神经网络技术,提出了一种基于空间特征增强的U-Net网络进行端到端的梗死区预测算法。同时,针对高质量的医学标注数据获取成本极高的现象,介绍了一种基于迁移学习的深度模型参数迁移训练方法,利用相近任务的数据帮助当前任务的模型训练。本文最后还将算法运用于实践,设计并实现了一个基于多模态磁共振影像的脑卒中最终梗死区预测算法验证系统。该系统既可用于在真实环境下对本文提出算法进行验证,也可以作为计算机辅助诊断系统供医生使用。测试表明本文系统在产品功能,算法精度上都达到了预期的设计目标。