磁共振成像(Magnetic Resonance Imaging,MRI)系统是一种新型的利用磁场对人体组织进行成像的医疗设备,利用磁共振进行脑科学的研究也是一个热门的研究课题。前连合(Anterior)和后连合(Posterior)是人脑的两个重要标志,在磁共振扫描成像中,它们被用于构建AC/PC参考坐标系以进行立体定向神经外科规划,大脑预扫描快速定位,患者术前脑部扫描发现病症并制定靶向计划等等。利用磁共振成像进行前后连合规划扫描在治疗神经系统功能性疾病(如帕金森病)以及发现肿瘤病变中占据重要地位。准确识别它们对脑分割,配准,功能性神经外科手术,预扫描定位,尤其是Talairach坐标系转换非常重要。近20年来,对于大脑前后连合的研究都需要专业人士的手工干预,但关于人脑前后连合自动进行定位的研究相对较少。本文旨在利用深度学习的方法,对于非放射科专家,可以在较短的时间内,快速准确的定位人脑MRI的前连合和后连合位置,解决目前存在的操作复杂,鲁棒性较弱,要求较高的专业知识等多种问题。针对这一问题本文提出两种解决方法。1、基于2D图像的前连合和后连合定位。大多数传统方法中前连合和后连合的定位,是在矢状面下进行定位的。此方法在获得标准矢状面的情况下,利用计算机视觉YoLo(You Only Look Once)框架进行胼胝体部分区域的识别,获取前连合和后连合所在的感兴趣区域。最后在感兴趣区域基础上,参考VGG、UNet、FCN等网络模型,设计前后连合专用定位网络,定位最终的前连合和后连合的位置,得到前连合和后连合的测试均值和标准差均在1.600mm以内,测试时以毫秒级的速度进行定位。此方法也验证了深度学习方法定位的可行性。2、基于3D的MRI图像的前连合和后连合定位。该方法忽略矢状面定位的中间过程,直接进行端对端的定位,利用深度学习网络模型提取3D图像的空间特征、边缘轮廓以及隐含像素信息,设计了3D模型以及空间注意力和通道注意力机制降维的模型以及基于GoogleNet的Inception模块和长短期记忆单元(Long Short Term Memory,LSTM)改进网络,对输入的高分辨率和低分辨率的图像,进行前连合和后连合定位,得到了相对较好的结果,高分辨率的单个图像的定位速度达到0.070s,低分辨率的单个图像定位速度可以达到0.004s。