脑血管意外(CVA),通常称为中风,是一种急性血管疾病,其可形成脑组织突然破裂或脑血管阻塞,导致脑组织损伤。中风的主要后果包括急性发作,高残疾和死亡率。因此,中风的早期诊断对于患者预防疾病的发展特别重要。医学影像分割是对脑卒中影像进行准确分析的关键,因为分割可以直接提高后续任务的有效性和效率。因此,研究人员一致致力于脑卒中影像的分割研究。在中风的急性期,通常使用低分辨率CT扫描和结构MRI(例如T2加权,FLAIR,弥散加权和灌注加权MRI)进行临床分析。对于慢性期,高分辨率T1(T1w)加权磁共振成像更适合评估脑结构变化。但是,目前基于T1w大规模神经影像学的自动标记慢性中风病变的研究很少。因此,对T1w自动分割的研究至关重要。脑图像分割技术的发展经历了几个阶段。以前在医学影像分割中使用手动操作,依赖训练有素的专家手动分割出病变。但是,此手动过程非常耗时,且严重依赖于专家的主观感知。在此之后,已经开发了一系列半自动和全自动分割方法,包括传统的算法和基于机器学习的方法。半自动分割使用人和计算机的交互信息进行处理,例如基于区域增长模式的算法,由专家选择区域,然后由计算机进行分割。与手动分割相比,分割的速度更高,但是这种方法在存在复杂结构(例如白和灰质)的情况下会失败。随着人工智能的发展,自动分割在医学影像处理中变得越来越流行。这样的方法不需要手动分割,并且显示出快速的操作速度和高的可重复性。针对上述现有研究的局限性,本硕士课题主要完成了如下工作:(1)提出了一种深度神经网络体系结构,称为多尺度深度融合网络。该网络具有空洞空间金字塔池,用于在不同尺度下提取特征,并包含胶囊结构处理复杂的各视角实体组合问题。所提出的方法本质上是一个端到端的深度编码器-解码器神经网络。编码器和解码器之间的跳跃连接确保了特征图的高分辨率。对慢性或亚急性期脑卒中开源数据集的实验结果表明,与现有分割网络相比,该模型获得了更高的评分。(2)提出了一种跨融合和上下文推理网络,用于从T1加权像进行慢性卒中病变分割。具体来说,开发了一种跨层级特征融合(CLF)策略,以充分利用不同层级的不同尺度特征。利用CLF扩展了空洞空间金字塔池化,丰富了多尺度特征来处理不同的病变大小。此外,使用卷积长短期记忆来推断上下文信息,从而捕获特征精细结构以解决强度相似性问题。在开源数据集上评估了所提出的方法,dice的均值为58.10%,相比于最常用的U-Net结构提高了4.10%。(3)采用Python和PyQT5实现了慢性脑卒中病变区域智能分析系统。主要实现了磁共振影像数据的加载、解剖学上的人体的三种切面(矢状面、冠状面、横断面)显示、脑卒中病变位置预测。每个用户可以通过它来加载脑卒中数据。对于加载的数据,本系统提供了慢性脑卒中病变位置预测功能,同时把预测的病变区域绘制在系统界面中供用户查看。在显示图像功能之上,还配有图像缩放和基于其中一种视图定位到另外两种视图的功能,可以同时观察某一体素在三种切面的视图。系统实现了快速辅助分析与可视化,对脑卒中的诊断和治疗具有重要价值。