股骨头缺血性坏死（Osteonecrosis of the femoral head,ONFH）是一种严重的破坏性疾病,是导致中青年人群髋关节致残的重要原因。ONFH的预后取决于诊断和干预时机、疾病分期以及坏死病变的位置和大小。一旦股骨头发生塌陷或进展至中晚期,则只能行全髋关节置换术。反之,如果在疾病早期或股骨头塌陷前进行相应的保髋外科治疗,则有助于延缓骨坏死的进展,甚至降低最终替代的全髋关节置换术的可能性。磁共振成像（Magnetic resonance imaging,MRI）是识别ONFH敏感性和特异性最高的检查方式,在ONFH的早期阶段和临床分期/分型中具有重要的应用价值。基于MRI影像学的早期坏死病灶检测、病程分型和病灶定量评价是ONFH早期诊断的关键步骤和有效手段,也是保髋外科治疗的重要依据。近年来人工智能在医学图像领域得到广泛的应用并展现出巨大的潜力。本研究探讨并使用深度学习技术研究基于MRI的ONFH的智能检测、分型和自动分割算法,以期实现ONFH的早期诊断、准确分型和精准量化病灶体积,可为早期ONFH的保髋治疗提供个性化手术决策和理论依据。确定早期ONFH的保髋治疗通常包含三个步骤,首先进行早期ONFH的及时诊断,然后根据疾病的严重程度进行分级,判断股骨头塌陷风险,最后根据患髋的MRI图像进行坏死病灶的定量评价,以确定规划保髋手术的路径和植骨需求。本文的主要研究内容如下:ONFH的早期识别是困难的,并且诊断的准确性依赖于骨科医生和放射科医生的临床经验。针对这一难题,本研究开发并验证了卷积神经网络（Convolutional neural network,CNN）-Res Ne St模型,能够对早期ONFH患者的MRI图像进行初步评估并进行病灶检测,然后将Res Ne St模型的诊断性能与不同经验水平的骨科医生进行了比较,以评估其临床可用性。研究结果表明,开发的Res Ne St模型在诊断早期ONFH的受试者工作特征曲线下面积（Area under curve,AUC）,准确性,敏感性和特异性值分别为0.98,98.4%,97.6%和98.6%,其诊断性能明显优于骨科主治医生和住院医生,能有效辅助低年资骨科医生提高早期ONFH的诊断准确性。由于股骨头坏死病灶的形状不规则,常导致疾病的分型判断难以达成共识,并且该过程严重依赖于临床医生的诊疗经验。为此,本研究提出了一种多分类CNN并进行了优化,可根据坏死病灶的位置进行相应的日本骨坏死调查委员会（Japanese investigation committee,JIC）分型。在本章节中,研究构建了一个包含国内4所医院的ONFH髋MRI的多中心数据集以解决多分类任务中训练样本量较少的问题,并采用过采样的方法解决多类样本不平衡问题。为了可视化CNN模型的决策注意力,使用梯度加权类激活映射（Gradient-weighted class activation mapping,Grad-CAM）技术来证明开发的模型是根据图像中坏死病灶的特征做出决策。此外,本章节研究将开发的CNN模型与不同经验水平的骨科医生进行了比较试验,并进行了严格的多中心外部验证,以在真实的临床环境中评估CNN模型的泛化性。研究结果表明,在内部测试集中,CNN模型分类JIC分型各亚型的总体准确性为87.8%,AUC、精度、召回率和F值的宏观平均值分别为0.90、84.8%、84.8%和84.6%。在外部测试集中,CNN模型识别各亚型的总体准确性为83.8%,AUC、精度、召回率和F值的宏观平均值分别为0.87、79.5%、80.5%和79.9%。在进一步的人机对比试验中,研究结果表明,开发的多分类CNN模型的分型准确性优于骨科副主任医生,但无统计学差异。Grad-CAM热图显示,开发的多分类CNN模型的决策主要由感兴趣的坏死区域激活,证实了其执行JIC分型的可靠性能。为了高效的分割出基于MRI的髋关节骨模型和不同大小、形态的坏死病灶,在本论文中,研究提出了一种Res-U net的智能分割模型。该模型可以通过输入MRI图像自动分割髋关节各骨性结构,确定获取坏死病灶在不同层面和不同尺度的特征。同时,在精准分割的基础上,本研究通过堆叠二维分割掩码来进行坏死病灶的体积计算,能可靠实现ONFH坏死病灶体积三维量化评估。研究结果表明,所提出的CNN分割模型在分割髋臼、未受累股骨头和坏死病灶的Dice相似系数分别是93.4%,90.9%和78.0%。手动分割与CNN分割后测量坏死病灶体积的组内相关系数为0.82,表示两者具有良好的一致性。三维定量坏死病灶的结果中显示,入组患者的坏死病灶平均体积为9.70±8.44cm~3。综上所述,使用深度学习技术的智能诊断、分型和分割模型,在早期ONFH的影像诊疗中显示出巨大的优势,能在临床实践中用于提供快速、准确的诊断和分型,能够辅助骨科医生进行早期ONFH保髋手术的术前规划。