多模态序列磁共振影像是脑部肿瘤的常规临床诊断手段之一。在制定手术治疗方案时,利用磁共振影像对患者的生存周期进行预测可以为预后提供参考;同时,脑胶质瘤分子标记物应用在近几年取得了较快发展,世界卫生组织提出了脑胶质瘤分子标记物的检测分类,可以帮助医生对患者病情更加深入的了解,为患者术前、预后治疗方案的选择及调整提供支持。随着机器学习、磁共振影像技术及计算机硬件设备的发展,利用机器学习对磁共振影像进行分析处理逐渐成为一个研究趋势,可以为临床医生提供便捷的工具和诊断手段。利用传统机器学习进行分类时,通常将特征提取、选择和分类分开进行。常用的生成模型,如变分自编码器和生成对抗网络,被广泛应用于图像处理中,自编码器的编码器部分可以将数据投影到隐空间进行分析,由于磁共振影像的体素较自然图像高很多,使得网络参数空间较大,导致分类性能下降。图卷积神经网络作为一种新的特征表征和提取方法,已经应用于自然语言处理、图像、知识图谱等领域,但是如何应用于磁共振影像需要进一步研究。针对以上提出的问题及磁共振影像在临床中的相关需要,本文主要研究对抗推理学习网络和图卷积神经网络在磁共振影像处理方面的应用,主要内容和贡献有以下几点:(1)本论文针对磁共振影像预处理,介绍了 DICOM文件整理,将实验所需的模态提取并将DICOM文件转为NIFTI文件格式,该方法主要利用DICOM文件中的重要信息确定实验所需模态并利用相关软件进行格式转换;除此以外,详细介绍了利用FSL对数据进行大脑提取及配准。(2)论文提出了基于残差对抗推理学习模型的生存周期预测分类框架。该方法在对抗推理学习网络中加入残差映射,利用其中的编码器部分对磁共振影像提取隐空间深层特征,最后进行生存周期预测分类。利用编码器部分,可以将数据投影到隐空间中,加入残差映射,可以防止由于网络过大引起的网络退化问题。相关算法在BraTS2019数据集上进行测试,与其他对比方法相比,本文提出的方法具有更好的分类性能。(3)论文提出了基于图卷积神经网络的分子标记物分类框架。该方法首先对具有多模态的结构性磁共振影像进行非纹理特征、纹理特征提取,之后利用图卷积神经网络对特征进行选择同时进行分类。该方法利用BraTS2017数据集和TCGA数据集进行验证,并与传统方法进行对比,实验结果表明,基于图卷积神经网络的分子标记物分类效果更好。