食管癌是最致命的癌症之一,也是世界上第八大最高发的癌症。我国更是食管癌的高发区,全球约一半的食管癌病例发生在我国。早期食管癌（T1和T2）患者可通过手术切除获得最长的无进展生存期;而较晚期（T3和T4）的患者可能受益于手术前的新辅助放化疗。因此,食管癌的术前T分期的诊断是患者治疗决策与预后的关键。磁共振成像（Magnetic Resonance Imaging,MRI）具有良好的软组织对比度,可以用来评估食管癌分期。由于临床上医生阅片耗费大量时间与精力,且食管癌的准确分期非常依赖于医生的临床经验。因此本文尝试以人工智能为手段,进行磁共振成像食管癌T分期的研究,主要研究内容如下:1.利用影像组学方法,对食管癌的早期和较晚期进行分类鉴别。我们从径向容积内插屏气检查（Radial Volumetric Interpolated Body Examination,r-VIBE）序列磁共振图像中医生标记的食管癌病灶区域中分别提取形状、灰度和纹理特征。为了利用癌灶边界周围的组织信息,我们还扩大了医生勾画的癌灶边界,并在新的感兴趣区域（Region of Interest,ROI）中提取同样的特征。接下来分别用原始ROI内的形状特征和纹理特征以及扩大的ROI的纹理特征建模。最后把上述分别建模挑选出的特征组合在一起混合建模,最终模型挑选出了三个特征,测试集曲线下面积（Area Under the Curve,AUC）为0.765。2.近年来深度学习在医学影像领域取得重大突破,本文也尝试利用深度学习方法,基于r-VIBE磁共振图像,对食管癌的早期和较晚期进行鉴别诊断。我们使用了Res Net网络,由于直接采用3D输入数据量过大,硬件难以满足训练要求,并且为了充分利用食管癌特有的狭长形态信息,我们尝试采用三种不同的伪3D输入方式进行建模,并比较了不同输入方式对模型诊断效能的影响。我们也尝试了将数据扩增的思想应用到预测阶段。最终最佳模型在验证集和独立测试集上的AUC分别达到了0.777与0.703。然后我们把影像组学和深度学习方法相结合,把两种方法各自建模的预测概率作为新的特征,并尝试使用多种分类器进行建模,进一步提升了模型的分类效果。最终模型训练集验证集AUC为0.765,测试集AUC达到0.783,模型诊断效果和泛化能力优于前两种方法。3.以上的诊断分类模型要求医生预先勾画病灶的ROI,这给模型的临床应用带来了障碍。为了实现全自动的辅助诊断流程,我们使用基于深度学习的Mask R-CNN网络对食管癌进行检测和分割。训练的模型平均准确率（Average Precision,AP）为0.71,3D DICE为0.63,模型取得了一定的分割效果。结果表明深度学习在食管癌检测分割中具有很大的潜能,该模型有望与自动诊断流程相结合,实现食管癌的全自动的计算机辅助分期诊断。