脑肿瘤分割对于脑肿瘤放射治疗计划的制定和疗效评估具有重要的价值。由于脑部肿瘤具有形状多样、位置不固定、结构复杂、不同患者病理症状差异似大等特点,传统的手工分割不仅难度大、耗时费力,而且依赖于专业医师的个人经验。因此,本文基于深度学习研究多模MR脑肿瘤图像的自动分割方法。主要工作和贡献如下:(1)针对MR脑肿瘤图像中噪声大、肿瘤特征不明显等问题,提出了一个基于卷积注意模块(Convolutional Attention Module,CAM)的改进型DenseNet脑肿瘤分割模型(CAM-DenseNet),实现了 CAM特征选择性和密连结构特征复用性的有机结合。该CAM融合了两个通道的均值和最大值池化的采样结果,更好地保留肿瘤特征信息并形成对肿瘤特征的关注系数,从而有效地对低层特征进行加权选择;引入1×1的卷积和Leaky_ReLU激活函数,增加了 CAM的非线性以及模型的可训练性。将多分类Dice函数与加权交叉熵之和作为模型的损失函数,缓解了脑肿瘤数据类别不平衡问题。对特征图的可视化分析和对分割结果的在线评估表明:CAM的引入使模型更加关注包含肿瘤信息的特征、抑制其他无关特征,其分割性能也优于U-Net和DenseNet。(2)针对肿瘤位置区域不固定和肿瘤形状大小各异的问题,提出了一个基于改进型多孔金字塔池化结构(Improved Atrous Spatial Pyramid Pooling,IASPP)的多尺度DenseNet脑肿瘤分割模型(IASPP-DenseNet),利用多尺度特征提取策略,捕捉深层特征中更具抽象意义的肿瘤信息。该IASPP通过对扩张率大小及分布的调整解决了传统的ASPP感受野不连续性的问题;通过融合经均值及最大值池化后的特征,丰富了所提取特征的多样性。通过对特征图的可视化分析和对分割结果的在线评估表明:该方法不仅可以连续地提取肿瘤部分的特征,而且在全肿瘤区域、肿瘤核心区域、以及肿瘤增强区域的分割性能均得到了显著提高。