随着我国经济的快速发展,前列腺癌(prostate cancer,PCa)的发病率呈快速上升的趋势。多模磁共振成像(multiparametric magnetic resonance imaging,mp MRI)是评价前列腺癌的一种可靠的影像学手段。人工阅片严重依赖医生的专业与经验,因而限制了诊断的准确性。医学影像组学分析方法是定量的分析方法,是提高诊断准确性和可重复性的常见方法,而深度学习的兴起给影像组学分析方法带来了新的思路。本文研究了基于影像组学特征和基于深度学习的前列腺影像组学分析方法对前列腺癌组织与非癌组织分类的若干关键问题,主要完成的工作如下:(1)针对前列腺癌的诊断信息广泛分布于磁共振不同模态数字图像中的情况,从不同模态中提取多模态特征。对扩散权重成像(diffusion weighted Imaging,DWI)计算以像素为单位的表观观测系数(apparent diffusion coefficient,ADC),作为新的模态与T2权重成像(T2-weighted imaging,T2WI)一起提取影像组学特征。对于动态对比度增强(dynamic contrast enhanced,DCE)模态,使用以感兴趣区域为单位的平均对比剂浓度拟合药代动力学模型,得到药代动力学参数,直接作为定量特征使用。多模态特征提取后使用两阶段特征选择方法筛选出对前列腺癌分类有鉴别力的特征子集,最后使用线性支持向量机对前列腺癌组织分类。实验验证该方法输出的受试者工作特征(receiver operating characteristic,ROC)曲线下面积(area under the curve,AUC)为0.95±0.01。(2)针对前列腺癌磁共振数据集包含的病例数较小,不足以完整训练卷积神经网络(convolutional neural network,CNN)网络,使用迁移学习的方式解决。首先在前列腺磁共振单一模态上实验了将预训练CNN模型作为特征提取器与微调CNN模型两种迁移学习方式,然后根据在单模态上的结果,实验了三种不同的多模态特征融合方式。实验验证,在前列腺磁共振单一模态上对前列腺癌组织与非癌组织分类,将预训练Res Net模型作为特征提取器的方式效果最优,在T2WI成像上ROC曲线下面积为0.95±0.01,在ADC模态上ROC曲线下面积为0.82±0.02。在三种多模态特征融合方式中,融合T2WI成像上的深度特征与功能性模态的手工特征效果最优,ROC曲线下面积为0.97±0.02。