近年来,随着计算科学与技术的不断发展,尤其是深度神经网络技术的出现,在生物医学工程领域也取得了重大的突破,使得医学图像从手工分割转变为全自动分割成为现实。此外,对于患者的生存分析,借助深度学习技术,也能够分析的更加全面透彻。原发性的胶质瘤,是一种最常见的恶性肿瘤,其发病率高、而且治愈率低,手术切除是目前唯一比较有效的治疗方案。因此,对MRI图像中的肿瘤区域进行分割显得尤为重要,分割的效果好坏直接决定着治疗效果的好坏。然而,手术切除并非适合所有患者,治疗需求因人而异,应首先对患者进行综合评估,权衡利弊,再决定是否进行切除手术。因此,在本文中,我们提出了一种同时进行图像分割和生存预测的多任务模型。对于肿瘤分割,传统方法需要像素级标注。然而,医学图像的像素级标注非常耗时,并且需要该领域的专家才能完成。因此,探讨一种半监督或弱监督的分割算法将有助于解决有标签数据不足的问题。在我们的实验中,提出了一种协作学习方法,通过具有注意力机制的弱监督和半监督学习共同提高生存预测和肿瘤分割的性能。对于半监督,主要利用未标记的数据,通过Teacher-Student模型,将无标签数据推理得到的伪标签进一步加入训练,逐步提升分割性能。对于弱监督,我们以生存天数作为弱监督源,并且通过CAM证实了弱监督所起到的作用。对于生存预测,从分割任务中学习到的特征和生存预测模型同时融合,再进一步的计算该患者的风险值。此外,在分割任务中,我们引入了Transformer注意力机制模块,可以使模型专注于肿瘤区域,从而获得更准确的结果。实验结果表明,我们的多任务模型优于单任务模型,分割和生存预测可以相互促进。为了对患者有更全面的生存分析,我们认为,基于多时序的生存预测将会比单时序的效果更好,因为提供的信息更多更全面。因此,本文采集了多家医院的不同患者的多个时间点MRI影像数据,并设计了一个基于CNN+LSTM的多时序模型,对我们的猜想进行验证。在本文中,通过设计多组对照实验,主要根据不同的时序长度来划分实验组,分别为一个时间点、两个时间点、三个时间点的以及四个时间点的多时序数据,多家医院数据的实验结果进一步证明,多时序模型的预测效果比单时序更好,且提供的信息越多,效果越佳。该实验首次从时空角度出发,通过患者的影像变化,更加准确的进行生存预测。并且通过计算风险比来分析不同因素对患者生存期的影响,对于南方医科大学、河南省人民医院、郑州大学第一附属医院等三家机构的数据集都分别进行了计算,此外还绘制了诺莫图对结果可视化分析。