脑肿瘤是当今神经外科常见的疾病。早期筛查和诊断可极大地提高脑肿瘤患者治愈率、降低病死率。脑部影像学检查方法中，由于核磁共振成像(MRI)具有无放射性损害以及高度的软组织分辨能力等独特优点，已经发展成为用于诊断脑肿瘤疾病的主要方法。由于MRI图像数据量大，并且脑肿瘤形状极其不规则，因此人工分割脑肿瘤非常耗时，而且可能错过微妙的异常。为了提高医生的诊断效率，降低因医生主观因素造成的误诊和漏诊，本文以三维(3D)MRI脑肿瘤图像为研究对象，使用深度学习方法和传统分割方法对全肿瘤、肿瘤核心和增强肿瘤进行全自动且高准确度的分割。主要研究工作如下：
　　为了提高3D脑肿瘤图像分割准确性，提出一种结合改进全卷积神经网络(FCNN)和混合水平集方法的3D脑肿瘤图像分割算法。算法首先对T1、T1C、T2和FLAIR四种模态的MRI脑肿瘤图像进行去除偏置场效应和灰度归一化的预处理操作；然后利用级联机制，根据全肿瘤、肿瘤核心和增强肿瘤三类肿瘤结构的位置关系，使用改进的FCNN分别对三类肿瘤结构进行初分割，将多类分割问题简化为三个二元分类任务，同时为了提高分割性能，改进的FCNN采用各向异性卷积核、密集连接和多尺度特征融合，并分别在横断面、冠状面和矢状面方向上进行模型训练，融合三个不同正交视图的分割结果；最后，利用混合水平集方法细化初分割结果中的脑肿瘤边界，完成脑肿瘤精分割。
　　为验证本文所提分割算法的优越性，本文针对实验结果进行分析。实验将BRATS2017数据集按照4∶1∶1的比例随机分为训练集、验证集和测试集。实验结果表明：本文所提算法能有效实现3DMRI脑肿瘤图像的分割，且分割准确性高、稳定性强，全肿瘤、肿瘤核心和增强肿瘤分割结果与金标准相比，戴斯相似性系数(Dice)均值分别可达0.9113、0.8581和0.7976。本文提出的结合改进FCNN和混合水平集方法的3D脑肿瘤图像分割算法能够自动、准确地分割出MRI图像中脑肿瘤区域，对临床诊断脑肿瘤疾病具有实用意义。