脑胶质瘤是一种极为危险的癌症肿瘤。精准划分脑胶质瘤与正常组织的边界、精准区分脑胶质瘤内部的各个区域,在临床诊断和治疗上具有极其重要的意义。传统方法与机器学习的分割效果已远低于深度学习方法,基于深度学习分割脑胶质瘤已成为脑胶质瘤分割的研究热点。针对脑胶质瘤样本数据量少的问题,研究了从形状层面增加数据多样性的方法,在仿射变换增强数据的基础上,结合弹性变换对脑胶质瘤数据进行增强。针对U-Net分割脑胶质瘤缺乏空间与全局信息等问题,首先在U-Net结构的基础上设计了改进的GR-U-Net模型。GR-U-Net在编码和解码阶段的子模块中引入残差机制,并运用组归一化减轻了批处理数量对模型的影响,提高了脑胶质瘤的分割精度。为进一步提高脑胶质瘤的分割精度,在网络编码阶段引入通道注意力机制,并在输出层之前加入空洞空间金字塔池化,以便最终特征图能融合多个尺度的信息,为此提出了改进的PPAD-GR-U-Net模型。PPAD-GR-U-Net还融合了网络级联机制,强化了脑胶质瘤的空间信息,实现了从模糊到精确的逐步训练与预测。最后使用传统方法对分割结果进行了后处理,包括去除孤立像素点以及进行孔洞填充等,进一步提升了脑胶质瘤的分割效果。为了验证所提出的脑胶质瘤分割方法的性能,在Bra TS2018验证集上进行了消融实验评估。利用PPAD-GR-U-Net对增强区域、全部肿瘤区域、肿瘤核心区域进行了分割,得到的Dice系数分别为0.8003、0.9006、0.8211,敏感度分别为0.8083、0.9059、0.8039,特异度分别为0.9982、0.9951、0.9985,豪斯多夫距离分别为3.2699、5.00138、8.40324。实验结果表明,PPAD-GR-U-Net能对脑胶质瘤进行高度精准的自动分割,初步了满足临床诊断与治疗对脑胶质瘤分割的应用需求。