随着医学成像技术的迅猛发展,医学影像在医疗行业中的作用越来越大,已经不再是医生的辅助工具,逐渐成为了医疗诊断的核心工具。特别是在癌症诊断和预后领域,由于癌症内部组织存在很严重的基因突变,因此癌症内部存在着严重的时空异质性。这种时空异质性严重阻碍了基于入侵性活体组织检查的癌症诊断和预后,然而,医学影像能够以图像的形式观察到整个肿瘤块,医学影像可以以非入侵式的方式获取肿瘤的表型特征,进而获取内部的基因特性。因此,影像组学,一个能够有效量化医学影像的学科迅猛发展起来,影像组学能够将医学影像量化为大量的影像特征,并且通过特征选择、机器学习、统计分析等方法表征肿瘤的表型,进而找到与基因特性之间的联系。于此同时,深度学习在计算机视觉领域迅速发展起来,已经成为了计算机视觉领域最高效的方法,但是受限于数据量,深度学习无法将在计算机视觉有效的方法直接应用于医学影像,因此,如何高效的将深度学习应用于医学影像领域也成了一个重要的研究问题。针对以上两点,本文的目的就是探索影像组学和深度学习在医学影像领域的应用方法,首先基于影像组学的方法,本文提出了一个能够自动化用于肿瘤分期评估的方法,并且充分总结和探索了影像组学用于医学影像分析的过程和挑战点。之后,本文探索了深度学习在医学影像分割领域的应用,充分探索了现有的用于医学影像分割的深度学习方法,并且创造性的提出了适用于肾癌肿瘤块分割的网络,提高了肾癌肿瘤块分割的效果。最后,本文探索了影像组学和深度学习结合的可能性,通过深度学习的方法有效的突破了影像组学的性能瓶颈,极大的提高了脑胶质瘤患者生存期预测的性能。本文在探索影像组学在医学影像中的应用的过程中,首先探索了影像组学在肿瘤分期评估中的应用,设计了一套基于影像组学的脑胶质瘤风险评级的模型。该模型能够自动化的对肿瘤进行分期,并且所有过程都是基于影像组学方法,首先根据对现在影像组学方法的总结,自定义了一个高效的影像组学特征库,然后利用这个影像组学特征库对肿瘤的亚区域进行了分割,随后利用分割结果和影像组学特征库来进行建模,并且评估了两种特征选择方法和三种分类方法的性能。最终的模型在脑胶质瘤风险评级上具有不俗的性能。本文还探索了深度学习在医学影像中的应用,针对医学影像分割这一问题,本文探索了肾癌肿瘤块的分割。首先探索了目前常用于医学影像分割的深度学习模型,并且针对肾癌肿瘤块分割这一特殊领域,设计一个适合于肾癌肿瘤块分割的网络,并通过一系列实验证明网络设计的原理和高性能。并且通过一系列实验探索了网络适合的损失函数,在搭配合适的损失函数之后,网络极大地提高了肾癌肿瘤块分割的性能。随后,本文尝试了融合这两种方法的优势,在一个小样本的脑胶质瘤生存期预测问题中,利用深度迁移学习方法能够有效地帮助影像组学突破性能瓶颈,卷积神经网络的特征学习能力帮助影像组学扩充了特征库。基于影像组学和迁移学习的方法,本文在脑胶质瘤生存期预测这一问题上取得了良好的性能,本文发现了一个影像组学标记物,该标记物具有极优的生存期预测能力,并且结合了传统生存风险因子之后能够获得最佳的生存预测性能,据此,本文设计一个脑胶质瘤患者生存预测的诺模图,有助于患者的预后治疗方案的制定。