胶质瘤是一种严重损害患者生命健康的常见恶性脑肿瘤。磁共振成像(Magnetic Resonance Imaging,MRI)是脑肿瘤诊疗的主要手段,它使用不同成像参数可产生不同模态图像,为脑肿瘤的诊断和治疗提供了全面丰富的影像信息。从多模态MRI图像中分割出脑肿瘤及瘤内子区可为脑肿瘤的诊疗(如:手术方案制订、放疗定位、化疗监测)提供重要信息。传统采用人工分割方式,非常耗时且易受医师经验和主观性影响。深度学习尤其卷积神经网络的出现在计算机视觉领域的图像识别和目标检测任务上取得了突破性进展。同时,卷积神经网络在自然图像语义分割中也展现了优异性能,为脑肿瘤自动精确分割带来了契机。与自然图像不同,MRI脑肿瘤的自动分割是一项极具挑战性任务。其一,脑肿瘤可出现在颅内任意位置,有任意形状与尺寸,边界复杂;其二,脑肿瘤通常是弥散性的,浸润性强,边界模糊,对比度差;其三,同一类型脑组织在不同病人、不同模态、甚至同一模态不同帧之间存在强度不统一问题。本论文以多模态MRI图像为研究对象,采用深度学习技术来研究脑肿瘤的自动精确分割方法。研究目标是建立卷积网络分割模型从MRI多模态图像中自动识别并分割出增强肿瘤区、非增强肿瘤区、坏死区、水肿区和正常组织区。论文从基于图像块分类的MRI脑肿瘤自动分割方法为出发点,建立了图像块分类模型,实现了脑肿瘤的自动分割。然后,针对块分类方法分割效率低及空间连续性差问题,提出了基于全卷积神经网络的MRI脑肿瘤快速分割方法,该方法能从MRI图像中快速分割出肿瘤区域,但由于像素类别不平衡导致瘤内子区分割精度不高。最后,针对全卷积分割法存在的不足,论文又提出基于深度级联网络的MRI脑肿瘤分割方法,该方法不仅能有效分割出完整肿瘤区域,还显著提高了瘤内子区分割精度。论文的主要内容如下:(1)研究一种基于块分类的脑肿瘤自动分割方法,采用卷积神经网络构建了一种图像块分类模型,并利用误差反向传播和随机梯度下降优化算法对模型进行训练。在2015年脑肿瘤挑战赛的数据集上的进行实验对比分析,说明该模型能够有效分割脑肿瘤,但在预测时存在存储空间大,计算效率低,空间连续性差和训练过程复杂问题。(2)针对基于块分类的MRI图像脑肿瘤自动分割方法存在的不足,将MRI图像脑肿瘤分割问题转换成图像语义分割问题,并引入全卷积网络,提出一种基于全卷积网络的快速分割方法。该方法输入的是整幅图像,只需一次前向传播,就得到分割结果且不需要任何后处理。在实验分析中发现,该方法能够较快速准确分割出完整脑肿瘤区域,但是对其内部子区分割效果较差。(3)针对全卷积网络能够快速分割完整脑肿瘤区域的特点和肿瘤内子区与正常组织区域像素类别不平衡的问题,论文提出了一种基于深度级联网络的MRI图像脑肿瘤分割方法。该方法分为两阶段训练,第一阶段训练全卷积网络用于定位脑肿瘤区域,第二阶段训练深层网络只对瘤内子区进行分割。实验结果表明,该方法不仅提高了瘤内子区的分割精度,而且分割效率也得到了较大改善。