MRI脑肿瘤图像分割是指将全肿瘤区域、瘤核心区域和肿瘤增强区域从正常脑组织中分割开来。传统分割算法主要挑战在于MRI图像中脑组织之间较大的灰度相似性,以及不同病例间的差异性。多模态MRI脑肿瘤图像分割可充分利用MRI图像中不同模态的特征信息,提高分割的有效性,是近年来脑肿瘤图像处理的研究热点。论文使用深度学习中图像处理主流技术CNN为研究工具,以提高分割效率和效果为研究目的,分别构建了基于2D和3D的多模态MRI脑肿瘤图像分割模型。2D模型适用于快速分割和预分割,3D模型适用于精确分割。为此论文的主要研究工作也分为两大部分:(1)基于CNN的2D多模态MRI脑肿瘤图像分割建模及实验分析。因数据量相对较小,2D模型具有分割速度快、且易于调整的优点。为此论文基于全卷积神经网络基本框架构建了适用于脑肿瘤分割任务的2D网络模型U-Net-Mix。该模型的主要设计有四点,一是设计卷积块和反卷积块加深网络深度以提高分割精度;二是在不改变现有特征提取方式的基础上,加入空洞卷积扩大感受野,以弥补2D图像整体性信息丢失的不足;三是使用多种图像数据扩充方式,增加数据多样性,以缓解2D图像数据过少导致的模型泛化性低下问题;四是使用强度标准化和归一化算法平衡不同图像之间的灰度值差异。U-Net-Mix模型已在业界公认的BraTS 2017数据集上进行了效果测试,结果表明在全肿瘤区域上Dice分割系数可达到0.90。(2)基于CNN的3D多模态MRI脑肿瘤图像分割建模及实验分析。MRI脑肿瘤图像本质上是3D数据,使用3D模型进行分析无疑能提高分割精度。为此论文在2D模型的基础上,构建了3D全卷积神经网络分割模型U-Net-Deep。模型的主要设计也有四点:一是加入自行设计的特征提取模块和上采样模块,继续加深网络以提取更多特征;二是引入Dropout技术,缓解深层网络复杂性过高导致的过拟合现象;三是设计一种叠加式残差块,缓解深层网络梯度消失问题;四是使用混合损失函数替代传统Dice损失函数,以充分考虑权值占比较小区域的贡献,缓解数据不平衡问题。U-Net-Deep模型已在业界公认的BraTS2018数据集上进行了效果测试,结果表明在全肿瘤区域、肿瘤核心区域和肿瘤增强区域上Dice分割系数分别达到0.91、0.82和0.66。对2D MRI脑肿瘤数据进行切片并分割,在保证一定精度的情况下,模型拥有快速分割的优点;对3D MRI脑肿瘤数据进行分割,虽然精度有了一定幅度的提升,但3D模型相对于2D模型训练时间多倍增长,代价过高。为在提升脑肿瘤图像分割精度的同时,保证分割效率,未来可将2D MRI脑肿瘤数据与3D MRI脑肿瘤数据相结合进行探究。