前列腺癌是一种发生于男性前列腺的恶性肿瘤。临床上主要使用磁共振(MR)成像来对前列腺癌进行诊断。传统的人工阅片方法耗时长，且易受主观因素影响。计算机辅助诊断系统可有效提高医生诊断的效率和准确率。但是由于前列腺癌病灶具有体积小、轮廓模糊等特点，使用MR图像进行前列腺癌自动检测非常具有挑战性。
　　建立可用于深度学习的前列腺癌数据集非常困难，因此数据集中的训练样本较少。为了充分利用有限的数据，本文设计了一种基于自监督学习的流水线(pipeline)型前列腺癌智能检测算法。该算法由前列腺MR图像的配准、前列腺分割与前列腺癌病灶定位三个部分组成。首先，对MR图像不同序列之间进行配准以寻找不同序列之间的空间关系。然后，使用前列腺分割模块得到前列腺掩码以限制病灶的位置并去除不相关的背景信息。最后，使用前列腺病灶定位模块得到可疑病灶掩码。由于数据集中可利用的数据非常有限，且数据集中有大量无标签数据，pipeline型算法使用了自监督学习的方法，充分利用了大量的无标签数据，提高了检测的精度。
　　然而，pipeline型算法易受累计误差的影响，本文在pipeline型算法的基础上设计了一种端到端(end-to-end)型前列腺癌智能检测算法。该算法将前列腺分割和病灶定位两个任务合并在一个多任务学习网络中。在前列腺MR图像配准后，使用联合训练的网络同时进行前列腺分割与病灶定位。通过多任务学习，网络可以学习到更好的特征表示。同时，可以大大提高系统的运行速度。
　　通过在ProstateX数据集上验证，pipeline型算法在FPPP(False Positive Per Patient)为0.6111时的召回率为92.54%；end-to-end型算法在FPPP为0.66427时的召回率为89.18%。Pipeline型算法预测一个病人耗时4.21秒，而end-to-end型算法耗时0.42秒。由此可以看出，pipeline型算法的精度较高，而end-to-end型算法的效率较高。两者均可以基本满足临床应用需求。