肿瘤是人类生活中常见的最危害人体健康的疾病之一,脑肿瘤图像的分割任务是医学图像处理中的热点与难点。脑部肿瘤分割的目的是定位脑组织中肿瘤的具体位置并将其轮廓精确地提取出来,这对于临床医学中的肿瘤放射计划有重要的使用价值与研究意义。由于脑部组织结构复杂,而脑肿瘤具有形状与位置不一、内部灰度不均匀以及边缘模糊的特点,脑肿瘤分割成为一项具有挑战性的任务。随着医学影像的不断发展,利用计算机图像处理技术可以实现对图像中脑肿瘤病灶的基本定位,继而进一步分析肿瘤病变区域中的组织成分。其中,MRI成像所显示的软组织解剖结构更为真实,且其对正常组织与病变组织有较强的分辨性。基于MRI成像的多模态特点,本文针对脑部肿瘤图像分割任务提出了两种分割方法:(1)提出了可以实现脑肿瘤整体分割的一种基于空间纹理约束的区域生长算法。区域生长是一种非常适合脑肿瘤分割的基本方法,但传统的区域生长算法在脑肿瘤分割任务中存在过度分割与分割不足的现象。本文充分考虑肿瘤内部结构不均匀与边界模糊的特点,提出一种基于空间加权的纹理约束,该约束与灰度差值共同作为生长准则来进行区域生长,提高了肿瘤的分割精度。此外,由于生长过程依赖于初始种子点的选择,本文提出一种利用多模态MRI图像的信息融合来自动选择种子点的方法,使得整个分割算法的鲁棒性增强。在性能评估方面,本算法不仅在分割结果精度方面优于其他分割算法,而且算法复杂性低,本算法的分割准确度在97%以上。(2)提出了一种基于3D全卷积神经网络模型,该模型实现了脑肿瘤分割任务中的三个子任务:肿瘤整体分割、肿瘤核分割和肿瘤水肿分割。针对传统方法不能解决脑肿瘤分割任务中的内部组织结构类别问题,本文提出了基于多模态的3D全卷积神经网络模型。该模型还解决了深度学习分割脑肿瘤图像的任务中,现有端到端的深度学习方法存在精度不高的问题。算法首先将FLAIR、T1、T1C和T2四种模态的MRI脑肿瘤图像进行标准化,然后对训练集利用直方图进行数据增强;其次将3D图像输入本文构建的3D全卷积神经网络中进行训练,网络模型中加入金字塔池化模块,对神经网络提取的特征进行多尺度的信息融合;最后进行反卷积操作将图像恢复至原尺寸,网络输出为2个通道,通过对输出结果的分析完成肿瘤图像的多个分割任务。经实验表明,本算法在利用少量训练样本的情况下,收敛速度依然比其它网络更快,且在精度方面有了很大的提升,对于肿瘤整体分割任务Dice系数在90%以上,而核心与水肿区分割的Dice系数均达到80%以上。本文分别从传统分割方法和深度学习方法实现了对脑部肿瘤图像的分割,并达到了精确的分割结果,这对临床医学有重要的指导意义。