脑胶质瘤(也被称为是脑癌)是大脑胶质细胞产生癌变引发的脑肿瘤,且占主要脑肿瘤疾病的约45%。高级别脑胶质瘤(High Grade Glioma,HGG)是致死率最高的脑胶质瘤,它由世界卫生组织(World Health Organization,WHO)定义的III级和IV级脑胶质瘤组成。高级别脑胶质瘤严重威胁着患者的生命健康(高级别脑胶质瘤患者的平均总生存期仅为2年),却占所有级别脑胶质瘤约75%。目前,临床治疗方法均不能有效地治愈高级别脑胶质瘤。考虑到高级别脑胶质瘤高致死率和难治疗的特点,若能运用计算机辅助诊断技术帮助医生更好地进行准确的早期诊断和预后,将对治疗方案的精准制定、延长患者寿命、提高生活质量和进行临终关怀等都有着重要的临床价值和现实意义。本文主要围绕计算机辅助诊断脑胶质瘤的关键技术展开研究和探讨,包括脑肿瘤图像分割、高级别脑胶质瘤患者生存期预测及预后、以及影响患者生存期或预后的生物分子状态(例如6-氧-甲基鸟嘌呤-DNA甲基转移酶,O~6-mehtylguanine-DNA Methyltransferase,MGMT;异柠檬酸脱氢酶1,Isocitrate Dehydrogenase 1,IDH1)。其中,准确的脑肿瘤图像分割可以有效地帮助临床医生进行胶质瘤的早期诊断、治疗方案的制定、和治疗效果的跟踪随访等,同时也是相关研究中必不可少的图像预处理过程。在脑肿瘤分割技术的研究中,我们分析了现有脑肿瘤分割方法的局限性,并提出了使用多任务深度学习的脑肿瘤分割方法。该方法中的多任务是将传统方法中复杂的分割任务分为成两个简单的检测和粗分割任务,最后将两个任务的结果相结合即可得到准确的脑肿瘤分割结果,且无需后处理。该方法原理简单、易实现、稳定高效、泛化能力强。在高级别胶质瘤患者生存期预测技术研究中,我们分别提出了基于影像学特征和基于连接组学特征的生存期预测方法。在基于影像学特征的生存期预测方法中,首先我们使用上述脑肿瘤分割方法将脑肿瘤区自动标记出来,然后提出使用多模态、多通道的三维卷积神经网络,从脑肿瘤区中自动学习并提取影像的深度特征,进而对患者个体进行生存期预测。由于基于影像组学的生存期预测方法仅关注肿瘤区域的图像中肿瘤组织结构的视觉特征,而忽略了肿瘤对正常脑组织的影响(如对正常脑组织的功能影响)。因此,我们研究了基于连接组学特征的生存期预测方法,构建了两种可以从不同视角(静态低阶和动态高阶)反映脑功能连接的网络,设计了机器学习框架以使用这两种网络的特征进行生存期预测。除了使用医学图像进行计算机辅助诊断脑胶质瘤的研究之外,结合肿瘤形态学和基因分子学特征对患者个体进行治疗正得到越来越多的外科医生和学者的认可。如,有很多临床研究表明高级别脑胶质瘤患者基因的MGMT启动子甲基化和IDH1分子突变与患者的生存期有很大的关联,是很好的高级别脑胶质瘤预后因子。然而,目前临床上通过脑肿瘤活体组织样本进行MGMT和IDH1分子状态识别,这可能给患者带来额外的脑损伤,甚至会增加感染等风险,从而限制了基因分子信息在临床中的应用。为了解决这些问题,我们提出使用患者术前的脑功能连接组学特征研究影响患者预后的基因分子状态信息,并提出了一种新颖的基于迭代的典型相关分析特征选择方法。然而这个方法是基于线性回归模型的方法,不能有效拟合非线性数据,且不能解决基因分子信息缺失的问题。为了能进一步解决这些问题,我们提出了非线性矩阵补全和直推式特征选择相结合的方法进行MGMT和IDH1的分子状态预测。基于上述方法,我们首次使用系统的、大范围的脑功能连接组学特征对高级别胶质瘤患者预后相关的分子状态进行预测,取得了较好的效果。