强直性脊柱炎（Ankylosing spondylitis,AS）是一种以中轴关节受累为主的慢性炎症性疾病,多发于年轻人。骶髂关节炎是强直性脊柱炎的病理标志和早期表现。通过对患者骶髂关节的影像分析可以给出强直性脊柱炎的分级结果。分级结果用来表示患者的病程进展程度,为临床医生制定治疗方案提供重要参考。因此,及时准确的分级结果对患者治疗方案的制定及有效控制病情发展起着重要的作用。对于腰椎不适的患者,放射科医生可根据高分辨率计算机断层扫描（High-resolution computed tomography,CT）影像为患者提供骶髂关节炎分级诊断报告。然而分级诊断主观性较强,不同放射科医生诊断结果会有不同,再加上急剧增长的影像数据给放射科医生带来了巨大的阅片压力,长时间耗时耗力的阅片工作可能导致误诊漏诊数量的增加。近年来,随着影像组学、深度学习等数据驱动型算法的飞速发展,基于人工智能的计算机辅助诊断系统的设计与完善为解决以上问题发挥了至关重要的作用。因此,本研究从影像组学和深度学习两个不同方向出发分别设计基于CT影像的AS骶髂关节炎的自动分级算法。本研究主要包含以下三部分内容:1、包含骶髂关节的感兴趣区域自动分割与剪裁。本文设计了一种基于深度学习和先验统计的自动分割与裁剪预的处理算法。该算法可以自动分割包含双侧骶髂关节的感兴趣区域,并且根据规定的数据信息统计分布裁剪出包含最多信息量的单侧骶髂关节数据。作为数据预处理方法,该算法可为后续分级流程提供更加规范化且包含完整骶髂关节信息的数据块。2、为了提取不同尺度的感兴趣区域的特征,本文提出了一种基于多尺度的影像组学自动分级方法。该方法基于不同大小的数据块提取的不同的影像组学特征,将特征合并后进行特征筛选操作,最后使用机器学习模型训练。最终多尺度的影像组学模型在二和三分类的任务中,准确率分别为83.48%和71.97%,灵敏度分别为0.8348、和0.7197,曲线下面积分别为0.8842和0.8677。实验表明相比单一尺度的特征提取,多尺度提取方案可以获取更多不同的特征信息,提高了分级精度。并筛选分析出不同骶髂分级标准下高相关度的特征。3、基于深度学习的网络结构可以获得更加完善的最优特征,因此本文设计了一种基于双通道联合的深度神经网络分级模型。该模型设计了基于3D-Res Net50的三维特征提取网络和基于注意力机制的二维特征提取网络分别提取不同尺度骶髂关节数据的三维特征和二维特征,并将两个网络提取的特征信息进行融合并训练分级。其中我们手动增加了实际判别骶髂关节过程中更看重的关键帧影像以提取更为重要的特征。实验结果表明,本文提出的双通道联合分类网络在二、三、五分类的任务中,准确率分别为95.83%、94.44%和86.11%,灵敏度分别为0.9595、0.9158和0.8478,曲线下面积分别为0.9820、0.9789和0.9636。整体效果相较于影像组学更好。同时针对神经网络分类模型占用内存较大的问题,本文也提出了一种轻量级的双通道联合分类模型。实验结果证明,在同样保持相对较高的准确率基础上,提出的模型减少了内存消耗,更利于模型在不同影像平台的部署。