脑肿瘤分割是一种从灰质、白质和脑脊液等正常的脑组织中,分离水肿、活跃和肿瘤坏死组织等不同的脑肿瘤结构的一种脑肿瘤辅助诊断技术。由于肿瘤在颅内产生,只能通过非侵入式显影方式(如:CT和MRI等)观察肿瘤的情况。在这些影像中肿瘤结构仅以灰度变化表征,不同设备不同条件获得的显影图像也可能有所差别,使得传统的图像分割方法很难较好地处理脑肿瘤图像的分割问题。随着MRI成像技术的不断成熟、多模态MRI图像的逐渐普及以及机器学习技术的飞速发展,脑肿瘤分割问题开始焕发新的活力。本文在这样的背景下,以脑肿瘤分割为立足点,以多模态MRI图像为基础,以机器学习方法为工具,针对脑肿瘤分割问题展开了如下研究:1、从脑肿瘤分割技术的发展脉络出发,在回顾经典方法的基础上,针对MRI图像本身的灰度不均匀的问题,利用多模态MRI图像数据本身的显影特异性,提出了一种针对多模态脑肿瘤分割的差分操作运算。同时,在多模态图像差分信息的辅助下,实现了利用多模态信息定位肿瘤区域的方法,为获得脑肿瘤的准确分割提供了一定的保障。从而也为充分的利用多模态MRI图像数据提供了一种可能的参考。在此基础上,将基于自组织神经网络(SOM)和主动轮廓模型(ACM)方法的自组织映射主动轮廓模型(SOAC)引入到脑肿瘤分割问题中,构造了基于多模态MRI图像的混合自组织主动轮廓模型(MSOAC)的脑肿瘤分割方法。以MRI数据预处理技术为先导,结合多模态差分定位肿瘤区域,通过MRI的slices数据为基础构建了一种基于多模态MRI图像的全自动的脑肿瘤分割方法。2、结合卷积神经网络和反卷积神经网络技术,以多模态MRI图像为依托,利用BRATS2015 training中3D MRI的slices数据,通过对要描述的肿瘤区域、肿瘤的活跃区域和肿瘤核区域分别构建反卷积子网络的方法,进行end-to-end的训练和参数调优,从而构建起多路深度反卷积网络模型。不同于以往在脑肿瘤分割中CNN采用的图像块训练的方法,这里直接利用slices训练,最后通过softmax预测每个像素的类别,得到pixel-wise的分割结果。