缺血性脑卒中是一种最常见的脑血管疾病,具有高发病率、高致死率、高致残率和高复发率的特点,严重威胁人们生命健康。缺血性脑卒中最有效的治疗手段之一是超急性期的溶栓干预,但并非所有患者都适合溶栓治疗。随着计算机技术的发展,计算机辅助诊断在临床中发挥越来越大的作用。基于神经影像分析,通过计算机辅助诊断技术实现缺血性脑卒中的个性化溶栓治疗,是当前的一个研究热点。但是,目前已有的溶栓解决方案中仍存在一些问题,导致欠治疗或者过度治疗。超急性期缺血性脑卒中影像分析的关键在于脑缺血相关区域和组织的识别量化。由于问题的复杂性,传统图像分割技术难以满足要求。新的人工智能理论和技术的出现,为脑缺血相关区域和组织的精确分割提供了新的思路。鉴于此,本文在分析调研大量国内外文献的基础上,与国内缺血性脑卒中专家紧密合作,对超急性期缺血性脑卒中的影像分析做了系统研究,主要研究内容和成果如下:基于稀疏表示理论分割超急性期脑缺血区域。针对超急性期脑缺血区域的高度不均质性、病态边缘、伪影噪声等问题,提出一种基于稀疏表示的监督学习分割框架。在训练阶段,通过组合子类样本字典的方式生成分类字典,从而提高分类字典识别能力。而分割图像时通过阈值分割预处理获取感兴趣区域;然后对感兴趣区域内的体素基于稀疏表示误差分类,在提高计算速度(<7s)的同时提高了分割精度(Dice系数为0.755±0.118)。基于稀疏表示-包特征识别超急性期脑缺血区域。样本不均衡性是病变组织分割任务中一个常见问题。本研究提出了一种基于体素分类和区域识别的超急性期脑缺血区域分割框架。首先采用均衡采样方式获取训练样本训练随机森林分类器,并应用于训练数据得到脑缺血区域初始分割;然后基于初始分割和金标准分割获取区域样本后提取区域的稀疏表示-包特征,并训练支持向量机分类模型以识别脑缺血区域。实验结果表明本方法分割精度(0.774±0.117)优于随机森林分割精度(0.606±0.211)。基于卷积神经网络分割磁敏感加权图像静脉。磁敏感加权图像静脉灰度分布与其他组织灰度分布存在较大程度重叠,个体间和个体内差异大,其细长的形状也增加了分割难度。本研究提出了一种全卷积网络结构,并加入稠密连接融合多尺度特征,实现静脉分割。为了消除样本不均衡问题带来的影响,同时避免Dice损失函数对于细小血管的平滑效果,训练时采用一种加权的混合损失函数,进一步提高分割效果。经过对比试验发现,所提出的方法分割磁敏感加权图像静脉的Dice系数达到0.756±0.043,显著优于另外三种方法(DeepMedic、多尺度血管增强、线性分布模式)的分割结果(Dice系数分别为0.734±0.052,0.615±0.060,和0.388±0.087)。