多模态MRI脑肿瘤图像分割任务,是指充分利用MRI图像中各个模态的表征特性,将整区肿瘤、肿瘤核心区域以及增强肿瘤区域从正常的脑组织中分割出来。针对多模态MRI脑肿瘤图像分割的计算机辅助诊断治疗研究一直以来都是医学图像处理领域的重要课题,但是MRI图像中脑组织之间灰度相似性较大且不同病例之间存在较大差异,以至于使用传统算法很难处理多模态MRI脑肿瘤图像的分割问题。本文在这样的背景下,以深度学习方法为工具,充分利用多模态间互补的特征信息,展开了如下研究:1.在全卷积神经网络框架的基础上构建适用于脑肿瘤分割任务的网络模型,采取端到端的训练方式,使用MRI图像的二维切片作为网络输入数据。针对MRI图像数据存在的质量问题,研究了一种图像预处理运算方案:在提取二维数据后,引入N4ITK算法矫正图像中存在的偏置场强;使用强度归一化算法平衡不同病例之间的灰度差异。针对脑肿瘤图像数据中存在类别不均衡的问题,网络中引入Dice损失函数计算网络训练损失;同时为进一步提高子结构分割效果,本文研究了一种并行Dice损失结构。为了提高肿瘤核心区域以及增强肿瘤区域的分割准确率,本文构建一种基于全卷积神经网络框架的级联网络模型,在BraTs2017数据集上对子结构的分割取得了较好的预测结果。2.MRI图像数据本质是三维图像,抽取二维切片作为输入数据会损失一定的空间信息,以此为出发点深入探索三维卷积神经网络在多模态MRI脑肿瘤图像分割中应用的有效性。研究3D卷积神经网络相关结构原理,构建基于C3D与全卷积神经网络的分割网络模型,同时针对当前网络的局限性进行分析,引入残差结构以及密集连接单元克服3D卷积神经网络结构带来的计算负担,加快网络的收敛,同时使用上下文连接模块充分保留多模态MRI图像的细节信息。在分割训练过程中,对多模态图像特征进行串联融合,充分结合多尺度信息,提高整区、肿瘤核心区域以及增强肿瘤区域的分割准确率。