脑肿瘤的发病率与致死率连年提升,且存在向各年龄段扩散发展的趋势。对脑肿瘤的预防,诊断与治疗是重中之重。传统手段依靠医生对脑部MRI切片图像进行判断,易受人为因素影响,效率较低。计算机图像处理与深度学习为脑肿瘤诊疗提供了新的助力。使用训练好的卷积神经网络能够快速稳定的对脑肿瘤MRI图像进行分割,辅助医生进行脑肿瘤的诊断,提升分割的精度与速度。使用三维重建技术能够形象直观的呈现出脑肿瘤的立体形态,有助于医生之间探讨交流患者的病情,制定合适的治疗方案。本文以临床数据集和BraTS2017数据集为实验数据,根据数据集的不同特点总共进行了三项工作:脑肿瘤图像的去噪,脑肿瘤分割和脑肿瘤三维重建。本文的主要工作如下:(1)脑肿瘤图像的去噪,临床数据集除了人工标记肿瘤外没有经过任何人工处理,存在非零黑色背景噪声和偏置场噪声,会影响后续分割的效果。因此使用了最大类间方差法与形态学操作相结合的方法去除脑图像中的非零黑色背景,使用N4ITK法矫正脑图像的偏置场,通过结果展示证明算法较好地去除了噪声。(2)脑肿瘤的分割,本文使用卷积神经网络进行分割,参考并复现了 FCN,U-Net,SegNet,Attention U-Net,FRRN等经典分割网络模型,并以此为基础和灵感提出了改进U-Net模型:使用残差连接改进了上采样路径中的卷积层;使用双线性插值代替上采样路径中的反卷积与反池化;使用“一对多式”的稠密跨越连接代替“一对一式”的平行跨越连接,并且使用跨步膨胀卷积进行跨越连接中的下采样。使用临床数据集和BraTS2017数据集分别对各网络模型进行训练与评估,通过对比实验证实了改进U-Net的有效性。(3)脑肿瘤三维重建,文章对三维重建技术中的常用方法进行了学习探究,并选择使用面绘制中的移动立方体法的和体绘制中的光线投射法对BraTS2017数据集进行肿瘤的三维重建,得到了较为直观形象的脑肿瘤立体可视化图像。