多模态磁共振影像可以清晰地显示出人体内部的病变情况。医生可以通过分析磁共振影像诊断疾病,从而制定出合适的治疗方案。因此,磁共振成像技术被广泛应用于各类疾病的诊断过程。脑胶质瘤是一种典型的脑部恶性肿瘤,严重威胁到人类的生命健康。利用磁共振影像可以实现对脑胶质瘤的分类,但在实际的临床数据采集过程中,往往会因为各种原因而导致多模态数据的部分甚至整个模态发生缺失,不利于医生的诊断。而使用存在缺失的多模态数据训练模型时,可能会由于缺失关键信息导致模型的预测结果不稳定。子宫内膜癌是一种常见的妇科恶性肿瘤,该病的传统诊断方式主要依靠医生人工分析磁共振影像,不仅耗时耗力,而且单纯依靠影像分析很难直接获知肿瘤的浸润深度。另外,目前子宫内膜癌临床数据结合人工智能的相关研究较少,没有成熟的方法。针对上述背景及问题,本文主要研究了基于张量网络模型的脑胶质瘤多模态影像缺失数据补全和子宫内膜癌多模态影像分期两方面内容,主要工作和贡献包括以下几点:1、针对临床影像数据,系统性地介绍了本文所使用的的特征提取、特征选择和分类方法,并对多种数据补全方法进行综述,总结分析基于低秩假设的张量补全方法相较于传统方法的优点。2、提出了一种基于张量网络模型的缺失模态脑影像分类框架。该框架基于张量环低秩因子模型,将多模态脑胶质瘤特征数据经过张量环分解为一系列核张量,挖掘不同模态特征间的隐含信息,并通过对核张量施加低秩约束,大大降低了计算量;最后将补全后的数据放入支持向量机中进行分类。相较基于其他补全方法的分类框架,本文提出的框架拥有更好的性能。3、提出了一种基于机器学习的子宫内膜癌分期框架。该框架提取患者的多模态肿瘤影像一阶统计、二阶纹理以及三维形状特征,并利用基于LASSO的多种方法进行特征选择,最后将筛选后的特征放入不同分类器中进行分类。对不同特征选择与分类方法的结果进行比较,得到分期效果最优的组合。实验证明,该框架基本可以实现对子宫内膜癌的分期。