脑部肿瘤是一种颅内局灶性症状疾病,脑肿瘤分类更是计算机视觉在医学领域中的一项应用研究。当前,基于深度学习的神经网络模型对脑部核磁共振图像进行图像分析并区分患者的肿瘤类别,在临床医学领域具有良好的应用前景。然而不同于自然图像,核磁共振图像有背景复杂和像素值低的特殊性,使得在脑肿瘤分类任务中肿瘤边界模糊和肿瘤标签有效性过低,肿瘤大小和位置不清晰,导致神经网络模型不能精确地对目标区域进行特征提取。针对上述问题,论文提出一种以对称性为研究基础,使用注意力机制与多尺度互补特征相结合的分类方法。论文的研究内容主要包含四个方面:第一,将图像的特殊属性—对称性扩展至肿瘤分类上,使得目标肿瘤区域和背景区域的边界特征得到增强。第二,为了解决肿瘤标签有效性过低的问题,提出基于多分支神经网络框架的互补特征融合方法,将神经网络不同分支对对称图像提取的肿瘤信息进行互补,有效缓解肿瘤大小和位置不明显的问题,从而使得肿瘤标签得到有效利用。第三,提出基于空间多尺度的上下文差异特征融合方法,融合不同感受野的特征,并学习神经网络不同分支的肿瘤图像差异信息。第四,将视觉注意力机制应用到了肿瘤分类领域,实现了补充目标肿瘤区域关注信息的目的。论文在不同脑部核磁共振图像肿瘤数据集上进行多次对比和消融实验,得到了优于现有方法的结果。实验证明,基于对称性的神经网络方法不仅能解决图像边界和标签有效性的问题,而且可以更加准确地判断肿瘤类别,对肿瘤分类的医疗辅助诊断有着参考价值。