脑科学的发展和人工智能相辅相成,脑科学与人工智能的交叉融合或将引发新的科技革命和产业革命,因此这两个领域得到了越来越多国家的重视。脑部医学影像分析是脑科学、医学和信息学的交叉,旨在快速高效准确地分析大量脑部医学影像数据,辅助专业医生进行脑部疾病的诊断与治疗,节约医生分析的时间和精力。近年来,随着以深度学习为代表的人工智能的第三次热潮的到来,基于神经网络的医学影像分析取得了巨大的成功,人工智能在脑部医学影像分析的应用已经成为了研究的热点领域之一。多发性硬化症（Multiple Sclerosis,MS）是一种由中枢神经系统损伤导致的自身免疫性疾病,常会对大脑白质、视神经、小脑等脑组织产生影响。磁共振成像（Magnetic Resonance Imaging,MRI）提供了足够的成像对比度来可视化和检测MS病变。基于MS病变各种特征的定量测量方法已被证明在临床试验中对评估治疗方法有用。因此,从MRI图像中准确地分割MS病变可以提供有关疾病状态和进展的重要信息。基于此,本研究从注意力机制、上下文信息引导、远处依赖关系等角度设计神经网络模型用于MS病灶的分割,通过对多模态磁共振影像数据多维度的分析,实现了MS病灶的自动准确分割,为医生定量分析MS病灶提供基础,从而辅助医生诊断和治疗MS。针对MS病变位置、大小、数量和形状等极具差异性的特点,本文首先从病灶上下文信息捕捉出发,设计了基于克罗内克卷积的三维上下文引导模块,整合不同视野的病灶信息。然后,引入了三维空间注意力模块,增强MRI图像中病灶特征的表示。针对MS病灶和非病灶样本存在不平衡的情况,设计了焦点损失函数,并采用深度监督机制,结合编码-解码结构,提出了用于MS病灶分割的注意力上下文U-Net。为了更进一步提取MRI图像中多维度的MS病灶信息,有效识别MS病灶的区域,本文又提出了跨维度的交叉注意力机制和多维特征相似性模块用于设计MS病灶分割网络。本文所设计的跨维度的交叉注意力模块巧妙地集成了基于克罗内克卷积的上下文信息的捕捉,空间和通道信息的交互与整合,三维体素信息和二维像素信息的聚集。同时,设计了多维度特征相似性模块,聚合多个维度的远程依赖信息。并结合提出的注意力上下文U-Net,提出了可以从多个维度、多个通道、多个视野捕捉MS病灶信息的多维交叉注意力U-Net。本文的实验证实,针对MS病灶的特点设计的上下文引导模块、跨维度的交叉注意力模块、多维特征相似性模块等都是有效的,提出的注意力上下文U-Net和多维交叉注意力U-Net在病灶分割的客观评价指标上具有较大的优势。本文的研究成果为MS病灶智能化分割提供了一种新的思路。