膀胱癌是一种发病率和死亡率较高的恶性肿瘤,在男性泌尿系统疾病中十分常见。磁共振成像是医疗诊断中的重要手段,具有多平面、多参数的特点,对于软组织可以实现高分辨率成像,广泛应用于腹部脏器的癌症诊断。磁共振扫描通常会采集多个序列的图像,每个序列又包含大量图像。医生在进行诊断时需要从大量的磁共振图像中筛选出包含肿瘤的图像,然后对其进行分割和诊断。膀胱的生理构造比较特殊,在膀胱癌的诊断中快速准确地从其磁共振图像中分割出膀胱壁和肿瘤区域对于临床诊断具有重要的指导作用。目前磁共振图像的分类和分割工作主要是人工来完成,这是一项枯燥且工作量巨大的任务,而且分类分割效果还受到医生经验的制约。医学图像的自动化分类分割技术一直以来是研究的热点,近年来深度学习技术在计算机视觉领域应用广泛,卷积神经网络在医学图像的分类分割任务中取得了优异的表现。针对以上需求,本论文将深度学习方法应用到膀胱癌的诊断当中,通过卷积神经网络对膀胱癌磁共振图像进行自动分类和分割。本文的主要工作和贡献如下:受到迁移学习思想的启发,提出一种基于Inception-ResNet的膀胱癌磁共振图像分类网络。该网络结合了 Inception-ResNet中的不同尺寸卷积核提供的多尺度感受野和残差连接的优点,能够有效提取到底层通用特征。为提取膀胱磁共振图像的高层特征,本文在Inception-ResNet的基础上构建了一个浅层特征提取网络分支。该分支包括三层卷积,每次卷积之后进行批归一化处理,最后进行一次Dropout操作,将两部分提取到的特征融合之后再进行分类。实验数据来自于空军军医大学,本文对其进行了标签标注和数据预处理,构建了膀胱癌磁共振数据集,然后对网络进行训练。本文分别与Inception-V3和VGG-16网络进行对比,实验数据表明本文提出的网络具有更高的分类准确率。在实现了膀胱癌磁共振图像分类的基础上,提出一种基于U-Net和注意力机制的膀胱癌磁共振图像自动分割网络。U-Net的编码器-解码器“U”形结构依据低分辨率信息进行目标识别,依据高分辨率信息实现精准分割定位,十分适用于医学图像的分割任务。为扩大感受野实现膀胱癌图像中的长范围依赖,充分利用图像的全局信息,考虑到U-Net网络较浅不易加深,本文引入了注意力机制,通过融合Non-Local模块和GCNet模块对U-Net网络进行了改进。这样做可以在不加深网络深度的前提下可以捕获长范围依赖,同时也做到了输入尺度和输出尺度不变,更加灵活。之后在膀胱癌磁共振图像数据集上进行训练。实验结果表明基于注意力机制的U-Net网络在膀胱磁共振图像数据集上分割性能优于原始的U-Net网络。