磁共振成像(Magnetic Resonance Imaging,MRI)是临床重要的检查手段,使用不同的脉冲序列,可以获得关于人体组织结构、功能、代谢等不同方面的信息。磁共振成像对比度信息丰富、分辨率高、可任意方向切片,并且没有辐射伤害,在临床诊断中发挥着重要作用。磁共振成像也是技术最为复杂的医学影像方法之一,在磁共振成像的数据采集、图像重建、图像后处理与图像分析等各个阶段都有大量的科学与技术问题需要研究。本文利用数据驱动与人工智能(Artificial Intelligence,AI)的方法,分别对磁共振图像重建、图像处理、图像分析等进行了系统的研究。本文主要做了如下工作:一、本文对磁共振成像图像重建中的若干问题进行研究。高分辨的磁共振图像需要较长的图像采集时间,这也是磁共振扫描成本较高的主要原因。利用采集部分k空间数据(欠采集)进行图像重建是缩短磁共振成像扫描时间的重要方法。本文首先对磁共振血管造影图像的重建进行了研究。我们利用磁共振血管的半高全宽不随分辨率变化这一先验知识,结合迭代算法,提出了约束数据外插(Constrained Data Exploration,CODE)算法。该算法可以利用采集的k空间低频数据,进行高分辨图像的重建。我们通过模拟数据和增强磁共振血管图像的实验,证明了与压缩感知(Compressed Sensing,CS)重建相比CODE图像更加锐利,对颈动脉的狭窄估计更为准确。我们还在传统字典学习(Dictionary Learning,DL)的基础上,提出了一种新的分割字典学习方法。该算法利用数据驱动的字典学习模型,根据脑部磁共振图像的组织对比度特点,可以从伪随机欠采的脑部图像数据中进行图像重建。通过模拟与真实数据的实验,证实了分割字典学习算法比传统字典学习能重建出更好的图像。二、本文以基于多参数磁共振图像的前列腺癌的计算机辅助诊断(ComputerAided Diagnosis,CAD)为目标,利用深度学习(Deep Learning)对腺体分割、病灶分类、癌灶检测等一系列问题进行了研究。高质量、多参数磁共振图像能够为疾病诊断提供更多信息的同时,也需要临床医生花费更多精力阅片。计算机辅助诊断系统对多参数磁共振图像进行分析处理,为医生的临床决策提供辅助,可以减轻医生劳动强度、提高工作效率、降低误诊率。为构建这样的系统,我们首先研究了前列腺腺体的分割问题。在目前流行的U-Net卷积神经网络(Convolutional Neural Network,CNN)的基础上,结合了前列腺的空间连续性设计了多层输入的分割网络,利用了多监督的网络输出,获得了良好的分割结果,尤其保证了前列腺的顶部和底部都取得了较好的分割结果。在此基础上,我们提出了多参数图像输入的TrumpetNet,对前列腺内部的区域进行癌灶检测,多中心验证结果表明该网络对于检测癌灶具有较高的敏感性,能够给临床医生以提示作用。最后在癌灶诊断方面,我们分别采用了影像组学(Radiomics)和深度学习两套模型,分别进行了临床显著性癌/非显著癌、癌/非癌的自动分类研究,探讨了不同序列和不同模型的组合对诊断结果的影响。我们提出一种新的增强预测方法,能够有效提高深度学习模型的预测能力。在上述研究的过程中,我们研发了两套软件。FeAture Explorer(FAE)软件用于影像组学研究,可自动探索影像组学研究各个算法步骤中不同方法的组合,发现最佳模型。该软件开源后已在多家医院获得应用。DeepOncoAnalysis软件则包括磁共振数据的读取、感兴趣区域标记、特征提取等功能,用于医生标记及数据准备;同时,该软件还集成了上述前列腺分割与检测模型,便于模型在医院科研中应用,并可用于医院反馈结果,精化模型。