胶质瘤(Gliomas)是成年人最常见的脑部恶性肿瘤。根据世界卫生组织2021年公布的报告,不同的基因型可作为胶质瘤肿瘤分型的重要参照。在多种基因型中,异柠檬酸脱氢酶(Isocitrate DeNaporafenib浓度hydrogenase,IDH)基因型是最重要的基因型之一,在术前无创地进行IDH基因型的分类,能够辅助医生制定患者的治疗计划,对患者的预后评估具有重要价值。同时,胶质瘤患者在接受治疗之后,肿瘤仍然复发,这可能与放疗靶区未完全覆盖复发区域有关。因此,在术后MRI图像上实现高复发风险区域的早期预测,对放疗计划的制定具有重要意义。综上,本文聚焦于胶质瘤辅助诊疗中的两个重要科学问题:(1)利用术前MRI图像实现IDH基因型的分类;(2)利用术后MRI图像实现高复发风险区域的早期预测。(1)因为胶质瘤在MRI图像上表现出高度异质性,学习用于IDH分类的判别性特征仍然具有挑战性。因此,本文提出了一个基于深度学习的多级特征挖掘和融合网络(Multi-level feature exploration and fusion network,MFEFnet)来全面挖掘与IDH相关的关键特征,并在多个级别融合不同的特征,以实现IDH的精确分类。首先,通过建立分割引导模块引导网络提取与胶质瘤高度相关的特征;其次,使用不对称放大模块从图像和特征级别提取和T2-FLAIR失配相关的特征。基于此模块,T2-FLAIR失配特征可从不同的层次进行放大,以增强网络的特征表达能力;最后,引入双注意力的特征融合模块,更好地融合层内和层间的特征并探索不同特征之间的关系。本文提出的MFEFnet在多中心数据集上进行了评估,并在独立的临床数据集上显示出良好的性能。通过对不同模块进行评估SAHA纯度,验证了该方法的有效性和可解释性。(2)在胶质瘤患者术后早期MRI图像上,高复发风险区域与正常组织并无肉眼可见的差异,预测高复发风险区域具有挑战性,因此提取复发区域Stochastic epigenetic mutations的关键特征是预测复发区域的合理思路。本文提出了一种基于深度学习的跨序列特征融合网络(Cross-sequence feature fusion network,CSFFnet)来挖掘和复发区域相关的关键特征。首先,使用卷积神经网络对多序列MRI图像进行编码,以提取多序列特征;其次,采用基于Transformer的多序列特征交互模块,探索复发区域与正常组织在特征上的差异,并充分融合不同序列的特征;最后,使用基于分块预测的方法,降低预测的难度,并且在一定程度上解决了金标准的不准确性问题。使用了 Topk评价指标对CSFFnet进行评估,能够更直观地反映模型的预测性能。提出的CSFFnet在独立测试集上验证了其良好的泛化性能。本文提出的MFEFnet和CSFFnet算法在IDH分类和高复发风险区域预测上展现出良好的性能,为胶质瘤患者的辅助诊疗和个性化放疗计划的制定提供了更多可能性。