神外手术机器人辅助治疗代表脑部疾病现代手术治疗的发展方向,具有稳定、高效、精准、微创等优点。术前规划是神外手术机器人辅助治疗的关键步骤,旨在确定手术目标与手术路径,为后续手术实施提供指导。其中,基于术前磁共振图像的脑标识点精准定位与脑部结构自动分割是关键使能技术,决定了术前规划能否帮助医生准确切除目标,并规避重要脑部结构。深度学习技术在脑标识点定位与脑部结构分割中的研究取得了喜人的进展,但现阶段仍存在两大关键挑战:（1）标识点在三维磁共振图像中占比极低,且易受大量无关背景干扰,难以获取其显著视觉特征,难以用单一深度学习网络对其进行准确定位。（2）脑部结构种类多,结构极其复杂。人工标注分割标签成本极高,且易出错。而用少量带噪声标注样本难以训练出高精度的分割网络。针对上述两大挑战,本文以深度学习技术为基础,研究高精度的脑标识点定位方法以及低标注成本的脑部结构分割方法,具体地:（1）提出了一个两阶段的脑标识点定位方法。该方法首先提取出包含所有脑部标识点的局部区域,然后在局部区域上精确定位出目标标识点。这种两阶段的定位策略可规避大量无关背景的干扰,进而取得比单一网络更加准确的脑部标识点定位精度。实验结果表明,相比于单一网络的定位方法,本文方法平均点对点误差可降低达38.03%。（2）提出一个基于由粗到精递进图谱配准的分割方法。该方法融合配准形变场的递进分解与由粗到精分解的优势,实现复杂脑部磁共振图像的精确配准。利用图谱配准将少量标注样本的分割标签传递至无标签图像上,实现少标注样本下脑部结构的精准分割。实验结果表明,与目前的领先配准方法相比,本文方法在参数量减少至1/200前提下,平均Dice能提升约1%。（3）提出了一个基于“配准-分割-再配准”迭代的分割方法。基于无监督配准网络进行标签传递,为分割网络提供“伪”标签。利用分割网络进行知识蒸馏优化伪标签精度,反过来有监督地指导配准网络重训练。如此反复迭代直至收敛,在少量标注样本下,获得鲁棒准确的脑部结构分割结果。实验结果表明,在只有一个标注样本的极端情况下,本文方法在两个数据集上与目前领先方法相比平均Dice提高了4.67%。综上所述,本文研究神外手术机器人中术前规划所涉及的脑标识点定位与脑部结构分割两大关键临床任务,开发了一系列基于深度学习的定位与分割算法,解决了单一网络脑标识点定位不准,以及少标注样本下分割精度不佳的问题。因此,本文研究具有重要的科学意义和应用价值。