医学影像已经成为医生进行疾病诊断的重要参考信息。随着医学图像数量的快速增长,基于计算机的自动医学图像分析成为现代医学影像学的主要研究方向之一。阅览大量医学图像并作出诊断对于医生来说是一项繁琐的任务,容易受到医生经验和疲劳程度的影响,计算机辅助诊断系统则有助于降低医生阅片负担和提高诊断准确率。三维医学图像的自动分割对于临床诊断和治疗有重要的指导作用,例如核磁共振图像中脑瘤区域的分割有利于脑瘤摘除手术与手术后观测。传统的图像分割方法从三维脑部图像中分割脑肿瘤往往需要先验知识,比如脑瘤的形状和脑瘤区域特征,但是脑瘤具有复杂多变的形状且可以出现在大脑的任何位置,限制了传统分割方法在实际中使用。近年来,数据驱动、自动提取特征的深度学习算法在计算机视觉领域获得了巨大成功,特别是卷积神经网络在自然光图像分割任务中取得了比传统方法更好的分割效果。本文研究基于深度学习方法的三维医学图像中脑瘤自动分割算法,采取了编码器-解码器的对称结构作为端到端的脑瘤分割卷积网络的基本框架。首先实现了基于三维卷积的脑瘤分割网络,然后针对其网络参数多、训练难、计算量大等问题,引入伪三维卷积,提出了基于伪三维卷积的脑瘤分割网络,并在二维预训练模型上进行微调,获得了较好的分割结果。针对端到端的分割网络无法有效分割脑瘤内部结构的问题,提出了两步分割方法:先提取包含脑肿瘤区域框的边界,再从脑肿瘤区域边界框中分割脑肿瘤内部结构。三维医学图像不仅可以当成一个整体,还可以看成是一系列二维切片图像组成的序列。循环神经网络是一种处理时序信息的有效模型。本文实现了一个包含卷积运算的循环神经网络同样完成了脑瘤分割任务。循环神经网络用来提取二维切片序列之间的一维时序特征,卷积操作用来提取每一张切片图像的二维空间特征,最后结合一维时序特征和二维空间特征实现三维脑部医学图像中的脑瘤分割。