前列腺癌(Prostate Cancer,PCa)是当今世界上诊断出的威胁男性身体健康的第二大癌症。PCa生长进化的特征主要有以下两种类型:(1)缓慢生长的肿瘤,其生长缓慢并且通常与前列腺相连;(2)快速生长的肿瘤,其易从前列腺转移到其他器官,这可能导致不可治愈的疾病。因此,对前列腺癌的早期诊断和风险评估在患者的治疗和随访中起着主要作用。在实践中,诊断可能受多种因素影响,如观察者的多样性以及病灶的可见性和复杂性。基于此,设计一个计算机辅助检测和诊断系统,以帮助放射科医师进行临床实践是很有必要的。计算机辅助检测技术(Computer-Aided Detection and Diagnosis,CAD)可以减轻临床的放射科医生在进行阅片时的负担,可以做到有效的辅助临床医生进行癌症病症的诊断,提升临床医生的工作效率。目前绝大多数的前列腺癌定位系统都是将系统分为四个依赖性的分支:1)不同模态图像对之间的配准;2)已配准前列腺区域的分割;3)区域特征提取;4)对特征分类得出真正的病灶区。显然这种后一步骤依赖前一步骤的结果的处理方式会造成信息的损失,使得定位结果和分类结果不精确。并且其使用的多为传统的图像处理算法,本文紧贴目前火爆的深度学习算法,将该算法应用至医学图像中,提出了基于弱监督的端到端的卷积神经网络(Convolutional Neural Network,CNN)框架,解决医学图像数据标签缺少以及处理过程中信息损失的问题,其主要工作如下:1.提出了一个基于CNN的弱监督的端到端的全自动前列腺癌定位系统,该系统可以做到在确定患者患有癌症的同时定位出病灶的相关位置。该系统可以做到在输入完整的表观扩散系数图像(Apparent Diffusion Coefficient,ADC)和T2-权值图像(T2-weighted,T2w)对时,在网络中完成图像的分割,以及癌症病灶区域的定位和癌症的分类。提出了不一致性损失函数和分类损失函数来联合优化网络,使得ADC和T2w图像生成的响应图达到一致性,从而达到更好的定位精度。该损失函数使得我们提出的网络结构有了更好的前列腺癌分类和定位功能,取得了很好的实验结果。2.提出了一个基于CNN的多模型的组织变形网络(TissueDeformationNetwork,TDN)网络结构用于不同模态图像对之间的配准,应用了薄板样条变换(Thin Plate Spline,TPS)来对图像进行形变。该网络结构可以应用于任何的神经网络架构之前作为图像对的配准算法,其反向传导利用的是后续的分类和定位的损失函数,而不仅仅是基于两个图像对之间的互信息,可以使得配准结果更加的利于定位和分类工作。