脑肿瘤、缺血性脑卒中和脑出血是目前神经系统常见的三种严重疾病,对人类的生命健康及生活品质会构成严重威胁。随着医学成像技术的蓬勃发展,医学影像分析（Medical image analysis）已逐渐成为辅助医生临床疾病诊断和研究的重要手段,其中电子计算机断层扫描图像（Computed Tomography,CT）由于其具有成像快,价格低以及对血红蛋白敏感性度高等优点而在诊断脑出血时应用广泛,而核磁共振成像（Magnetic resonance imaging,MRI）技术,其无创性和出色的大脑结构分辨力使它普遍适用于诊断缺血性脑卒中与脑肿瘤。这三种脑部疾病的病灶分割有助于医生对患者做出早期诊断,进行对症支持治疗以及相关的预后评估。但是手动分割费时费力,且人工分析模式精准度也较为有限。因此,开发精确的脑部病灶计算机辅助诊断（Computer aided diagnosis）技术具有重要的意义。伴随着当前深度学习技术的高速发展,得益于卷积神经网络（Convolutional Neural Networks,CNN）在医疗图像分割领域的重要贡献,基于深度学习的计算机辅助诊断技术已取得巨大的进步。但目前相当一部分研究仍集中在采用单一模型解决单一病症的诊断,缺乏通用的模型解决方案,使得在诊断多种疾病的情况下需要轮流使用多种模型,这样更加大了医院对于计算机资源的消耗,并且采用多模型诊断病情的同时会带有矛盾诊断问题,易混淆病症,进一步则容易造成误诊情况。因此针对上述存在的疾病误诊与资源消耗较高等问题,本文创新性的结合脑CT分析与MRI多模态病理分析以及当前计算机视觉研究中前沿的图像语义分割算法。在后续研究工作中,提出一种基于se Res Ne Xt50-UNet++的多源脑部成像图像语义分割模型,模型采用了当前先进的激活函数、损失函数优化方法以及优化的骨干网络,在此基础上结合多来源的医疗数据集,实现单模型对于脑肿瘤、缺血性脑卒中和脑出血三种不同病理轮廓地分割推理,使得单一模型分析多种疾病成为现实,同时相较一般模型效果也有所提升。此外,本文在提出模型的基础上采用Docker容器化技术开发弹性节点,实现了基于微服务的脑部医学影像分析系统,系统最高负载为10QPS。