随着近年来医学影像技术的发展,计算机辅助医学诊断方法在医学领域中成为医学影像、诊断放射、计算机科学中的重要研究领域。随着脑疾病不断增高的发病率,为了更有效在治疗前后用神经影像学评价疾病的表现形式以及治疗的成效,不可避免地需要对病灶区域进行高精度的重复性测量和评估,那么脑核磁共振(Magnetic Resonance,MR)图像的精准分割是测量和评估的必要步骤。而脑肿瘤是脑疾病中十分常见的疾病,在脑肿瘤的MR图像中可以发现,根据病情的严重程度,肿瘤病灶区域会形成肿瘤核心,甚至出现增强型肿瘤核心,因此在脑肿瘤的医学诊断中,通常需要分割出这三个肿瘤关联区域来进行疾病的诊断。针对上述问题,论文采用全卷积神经网络理论,重点研究整个肿瘤、肿瘤核心和增强型肿瘤核心的分割,根据病灶区域分布特点,优化并改进全卷积网络结构以提高分割的精准度,为脑神经疾病诊断提供良好的计算机辅助。首先研究分析基于U-Net的分割方法,构建三级的级联型神经网络,逐层分割整个肿瘤、肿瘤核心以及增强型肿瘤核心,从而减少在网络训练时的参数量以节约内存,加快训练速度,并考虑从前一级提取出边界框作为后一级网络输入的边界约束,使后一级网络在训练中仅使用脑MR图像的肿瘤区域进行训练,集中关注肿瘤部分的特征提取。文中使用各向异性网络将三维问题转换为二维问题,加入空洞卷积来减少信息的丢失以及使用残差连接避免因为网络加深而可能导致的梯度爆炸问题,以得到更好的分割结果。其次深入研究级联型U-Net和全连接条件随机场,及其与基于边界框的K均值聚类的融合方法。通过对感受野过大而可能造成的边缘粗糙问题进行分析,讨论使用全连接条件随机场进行分割结果的细致优化,然后在分割过程中引入K均值聚类的方法对分割结果进行改进,进一步提高分割精度。在BraTS17公开的脑肿瘤数据集上对本文算法进行仿真实验,取得了整个肿瘤、肿瘤核心、增强型肿瘤核心的Dice指数为0.902,0.815,0.779的良好分割效果。实验结果表明,针对脑MR图像中的脑肿瘤边界模糊难以准确分割肿瘤的难题,本论文给出了较好的解决方案。该研究不仅对脑神经疾病的诊断防治方面有重要的研究意义,也为图像分割相关领域的研究提供了新的研究思路。