医学影像科学和人工智能在其各自领域内飞速发展,使得越来越多的国家将其上升为国家战略,以此来推动产品革命和社会革命。医学影像数据量大,专业的解读往往需要花费专家大量的时间,同时,专业知识的学习和临床经验的积累也必不可缺。近几年来,随着人工智能的飞速发展,深度学习技术在医学影像科学中的多方面研究取得了巨大的成功,人工智能在医疗领域中的应用目前已成为热点研究领域之一。作为医学界的难解问题之一,局灶性皮质发育不良(Focal Cortical Dysplasia,FCD)属于脑部皮质发育障碍的亚型之一,是导致药物难治性癫痫的常见病因。病毒感染和体细胞突变可能会参与致病,但是其具体机制仍不是很明确。随着功能神经影像技术的日益发展,FCD被证实为药物难治性癫痫患者需进行手术治疗的主要原因之一,病灶的切除可以为大部分的患者带来良好的诊疗效果。本研究提出一种基于深度学习的FCD病灶定位方法,通过对磁共振成像三维影像数据进行有效处理和分析,实现对病灶的定位功能,辅助医生诊疗,为患者的治疗提供专业的科学依据。本文首先围绕深度学习中全卷积神经网络的相关网络框架展开学习与研究,并从二维和三维两个方向提出适用于FCD病灶定位的解决方案。基于专家的临床经验,对原始的三维影像进行数据预处理,包括头骨剥离、特征图提取等流程,然后针对医学影像的病灶分割场景,在FCN和U-Net(3D U-Net)网络框架下设计并训练网络模型,通过对比两种模型的评价指标对模型展开评估工作。此外,考虑到FCD病灶在不同患者的脑部其形状和大小均不同的特点,在此基础上提出远距离依赖关系获取模块,并基于该模块设计了 Ld-Net网络,3DLd-Net在Ld-Net的基础上进行了进一步改进,从而提升病灶定位效果。本文证实了,从二维和三维两个角度来看,将深度学习中的全卷积神经网络框架结构应用于FCD病灶定位的想法都是可行的。并针对其病灶特点提出远距离依赖关系获取模块,进一步提升模型定位效果。此外,还借助了医学影像相关数据预处理技术,完成从数据预处理到病灶检测的整套方法体系。该成果为基于医学影像的FCD病灶定位研究提供了参考依据。