前列腺癌（Prostate Cancer,PCa）是男性发病率极高的癌症。早期发现与治疗是提高患者存活率的关键。前列腺腺体不同位置出现癌症的可能性不同,且在图像上的表现也不相同。因此,准确的腺体区域分割可以为后续前列腺癌的检测和分析提供帮助。处于边界的癌灶有可能突破腺体包膜发生侵犯,术前准确判断癌灶是否发生侵犯影响着医生手术方案的制定。随着医学影像技术的发展,多参数磁共振成像被广泛用于前列腺癌的定位和相关诊断。但由于前列腺癌患者数量众多,需要医生阅片的数量也很多。如果需要医生对所有前列腺癌患者的图像进行腺体区域分割和包膜侵犯的预测,会消耗医生大量的时间和精力,降低诊断效率。另一方面,磁共振影像表现依赖于扫描参数,同时癌症的诊断也依赖于临床医生的经验,不同医生的预测结果有较大的差异。随着计算机辅助诊断的快速发展,人工智能越来越多地被用在医学图像相关研究中。人工智能模型可以自动挖掘数据中与问题的相关特征来解决问题,不仅可以解放医生,还可以得到更客观的结果。因此,可以建立腺体区域分割和癌症包膜侵犯的人工智能模型去解决读片工作量大、结果受主观因素影响的问题。但是,无论是分割还是包膜侵犯的预测,人工智能模型都需要聚焦到图像上面积比较小的部分,比如分割面积比较小的非腺体区域或者找到可能侵犯部位的特征进行分析得到侵犯结果。这给模型的训练带来了极大的挑战。为了解决这个问题,我们对模型进行了相应的改进。首先,对于前列腺区域分割任务,我们使用人工智能算法对前列腺腺体进行了内部精细结构的分割,包括外周带、移行带、远端尿道和前纤维肌间质。使用UNet在外周带和移行带上取得了较好的分割结果,但是在分割面积较小的尿道和间质时结果不好。考虑到尿道和间质边缘部分都有可能被错误识别为移行带,所以我们在原分割网络的基础上添加了专门用于分割移行带和其它区域的模型,并与原分割网络共享参数,希望通过提高移行带的分割准确率间接提高尿道和间质的分割结果。最终,相较于只用单个UNet进行分割任务,我们改进的模型在T2加权横断面图像上不仅将尿道和间质的分割结果由Dice为0.749、0.360提高到0.760和0.372,还将外周带和移行带的分割Dice也提高到0.775、0.913。该分割结果已经接近医生水平,对于前列腺癌后续的PI-RADS（Prostate Imaging Reporting and Data System）评分、结构化报告的生成等都有价值。然后,基于腺体和癌灶这两个感兴趣区域分割的结果,我们提出了一种计算注意力图的方法,帮助更好地对前列腺癌的包膜侵犯进行识别。由于包膜侵犯往往发生在癌灶靠近腺体边缘的地方,由此我们通过计算癌灶和腺体边界的距离,得到能反映这个距离的注意力图,并基于注意力图进行了影像组学和深度学习的分析。使用影像组学方法分析时,考虑到注意力图中包含的背景、腺体和癌灶三个区域,如果对整个区域进行特征提取,得到的特征只能笼统地反映整个区域的影响特征,不能反映出癌灶和腺体之间的关系。因此我们对癌灶、腺体和周围区域分开进行特征提取,提取的特征包括个各自的灰度特征和注意力图的形状特征。我们将子区域建模结果和腺体、癌灶、注意力图建模结果进行了对比,发现子区域模型的特征更能反映包膜侵犯的特性,在内部和外部测试集上的AUC（Area Under Curve）分别达到了0.792和0.713,优于其它模型。最后,我们将注意力图融合到深度学习网络中,选取Res Ne Xt网络对包膜侵犯进行预测。对于整张图像来讲,可能发生侵犯的部分面积较小,可能随着网络深度的加深而被忽略。因此,将Convolutional Block Attention Module（CBAM）自注意模块应用于Res Ne Xt,旨在帮助网络注意对结果贡献大的部分。此外,将含有先验知识的注意力图和CBAM结合,人为添加值得关注的区域。模型在内部测试数据和外部测试数据中AUC分别达到了0.808和0.713,优于两位临床诊断医生的0.725、0.661和0.632、0.695,证明了深度学习模型的有效性。同时我们还通过Grad CAM注意力图发现,引入注意力图的模型,能够更好地捕捉到前列腺癌包膜侵犯发生区域,为临床医生确认模型发现提供了依据,增强了模型的可解释性。