脑炎和胶质瘤是常见的两种在病因、治疗方法以及预后处理等方面完全不同的颅内病变。在初期的临床诊断过程中,二者的磁共振检查成像（Magnetic Resonance Imaging,MRI）表现会出现类似特征,仅依靠医生经验难以进行正确的鉴别,会导致误诊的情况出现。现阶段计算机辅助诊断利用计算机强大的图像处理能力和影像组学的特点,能够为临床诊断提供有意义的指导。当前基于影像组学的计算机辅助诊断主要分为人工设计特征和深度学习两个方向。深度学习方法采用多层的卷积神经网络构成深层的模型进行高维特征提取,不需要复杂的人工处理,具有很强的图像特征提取能力和泛化性,是计算机辅助诊断的主要研究发展方向。目前基于深度学习的方法已经取得了一些重要成果,但也存在着不足:首先,现阶段利用深度学习的方法大都是在数量巨大的已标注生物医学样本上进行的,然而在不同的医学诊断任务中,不同的病变其数据样本数量通常较少,不足以用来进行深度学习模型的参数优化,导致使用深度学习带来了严重的过拟合问题。且进行样本的正确标注也相当困难,现阶段的相关研究工作都需要专业医生进行病灶区域的人工勾画,这些方法耗时较多。其次,目前使用MRI等医学影像的相关研究多在单一的扫描序列上进行图像特征提取,忽略了不同模态提供的不同图像特征,未能有效的综合利用不同MRI模态的特征信息。针对这些问题,本文做了以下工作:1、针对脑炎和胶质瘤样本数量较少的问题,采用卷积层特征参数迁移的方法解决了在较少数据样本下模型的过拟合问题,达到了较高的分类准确率。MRI图像样本的不足使得可学习特征较少,导致参数量较大的深度学习模型容易产生过拟合问题。采用卷积层迁移的方式,将已经具有较强特征提取能力的卷积层进行迁移,进行脑炎和胶质瘤的MRI图像特征提取,得到能有效对二者进行区分的特征。构建新的分类模型,将提取到的特征进行分类,直接得到输入样本的分类结果概率。2、提出了基于熵的样本主动标注算法,通过提取未标注样本池中熵值较高,即预测结果不精确的样本对模型进行优化训练,到达了在减少70%的数据标注工作量下使模型的分类性能收敛到最优的目标。首先使用初始模型对未标注样本进行预测,根据预测结果计算出对应样本的熵值,得到其不确定性。然后将不确定性较高的样本通过医学专家进行正确标注,得到其标签。最后将不确定的样本添加到已标注样本池中继续对模型进行优化。实验表明,使用提出的算法,模型能够关注到更多特征信息有意义的样本,忽略冗余的特征信息,减少了大量的数据标注工作。3、对多模态MRI医学影像特征信息进行融合,使用融合特征进行模型的训练和评估。针对患者在临床诊断初期进行的三种常规MRI扫描序列:FLAIR、CE-T1WI以及T2WI,设计了一个三序列通道输入的模型,分别读取患者三个不同序列的对应病灶切片图像并进行特征提取。采用两种不同的方式进行特征融合,使用融合MRI特征进行分类器的训练。实验结果表明,在相同的训练集和测试方法下,多模态融合提高了模型的分类性能,准确率等相关指标较使用单一MRI序列图像均有提升。实验是在重庆医科大学附属第一医院放射科搜集获取的脑炎和胶质瘤MRI影像数据集上开展的,采用卷积特征迁移的方法达到了95.28%的正确率和0.98的分类曲线下面积,对比现阶段相关工作的方法,本文的方法达到最优;使用样本主动标注的模型优化算法,仅需使用30%的数据样本,模型就能收敛到最优性能;使用多模态MRI图像特征融合的方法,相较于使用单一序列的分类方法,其准确率等均有不同程度的提升。