鞍区的周围毗邻着Willis环、视神经等重要的神经血管结构,是病变的好发部位。颅咽管瘤（Craniopharyngioma,CR）、鞍结节脑膜瘤（Tuberculum Sellar Meningioma,TSM）、Rathke’s囊肿（Rathke’s Cleft Cysts,RCCs）和垂体瘤（Pituitary Adenomas,PAs）是鞍区最为常见的病变。磁共振成像（Magnetic Resonance Imaging,MRI）具有无创、分辨率高及信息量大等优点,是精准诊断鞍区病变必不可少的检查方式。目前,对于鞍区病变的精准识别仍存在较多的困难。首先,一些鞍区小病变尤其是垂体微腺瘤,由于有潜在的伪影且可能会发生变异,识别起来非常困难。虽然动态MRI扫描能提升对微腺瘤的识别能力,但也存在假阳性的可能。其次,由于鞍区病变在形状和结构上的高度变异性,部分鞍区病变患者可能需要进行多次或者多种不同的影像学检查,才能得到准确的诊断。最后,病变诊断受医生知识面或经验的影响较大,针对这一疾病的诊断存在较大差异,不同医生可能给出不同的诊断。特别是影像学特点类似的病变,临床医生甚至可能会给出错误的诊断。上述因素使得影像诊断复杂化,给临床医生在下一步治疗方案上的制定带来困扰。近年来,基于计算机的自动识别方法在辅助医生诊断方面表现出了良好的前景,它可以节省医生的时间,同时提供准确、可靠的结果。本研究结合鞍区病变的MRI图像,对基于深度学习的鞍区病变语义分割算法进行了研究,并在现有算法的基础上进行了改进,使得鞍区病变的精准识别成为了可能。本研究的主要工作与创新点总结如下:针对现有数据集代表性不足的问题,本研究在四川大学华西医院神经外科的帮助下,建立了一个规模较大、包含大小病灶的鞍区病变MRI影像数据集。该数据集包含了259例鞍区病变患者的数据,其中包含81例CR、54例TSM、61例RCCs和63例PAs患者。为了弥补神经网络在下采样过程中损失的图像信息,本研究提出了一种基于图像边缘监督的鞍区病变语义分割算法（IE3SNet）。该算法首先提取出鞍区病变MRI图像的边缘特征信息,然后神经网络在上采样时对这些提取出的边缘信息进行融合,以辅助网络识别病灶,从而得到满意的语义分割效果。相比于本文的三个比较算法,IE3SNet算法在三种鞍区病变数据集上都取得了最好的分割效果。针对现有算法无法很好地识别小病灶的问题,本研究提出了一种基于相同下采样频率的鞍区病变语义分割算法（SDF2SNet）。该算法会把每次下采样后的信息通过一个U-Net网络进行处理,来提高这些信息的感受野以及获得多尺度特征。SDF2SNet算法融合了多尺度的特征信息,利用高层语义信息来指导底层细粒度信息正确检测小目标。SDF2SNet算法在三种测试集上的分割结果表明,该算法能有效地识别出鞍区病变MRI影像中的小病灶。最后,本研究融合了IE3SNet算法和SDF2SNet算法各自的优点,提出了基于图像边缘监督和相同下采样频率的鞍区病变语义分割算法（IEDF4SNet）。实验表明,与三种先进的比较算法相比,IEDF4SNet算法能在鞍区病变上取得最好的分割效果。同时,本研究还基于IEDF4SNet算法实现了一个鞍区病变自动分割系统（SALSystem）,用来减轻临床医生的工作量,同时为临床医生的术前决策提供潜在的指导。测试结果表明,本研究设计实现的SALSystem系统能够比较准确地分割出鞍区病变,具有较强的应用价值。