胶质瘤是最常见的恶性中枢神经脑瘤之一,浸润性生长的特点造成其死亡率高复发率高,因此需要及时尽早的诊断与治疗。胶质瘤影像作为直观且重要的诊断手段,对后续手术、放疗等治疗方案有指导作用,因此肿瘤影像的分割和随后的定量分析是治疗中常规的且至关重要的一步。磁共振成像是现阶段脑肿瘤的主要成像工具,提供了胶质瘤的多模态影像。多模态成像不但可以综合分析不同模态的解剖信息和功能信息,而且可以研究模态间的联系,从而可以准确地描绘肿瘤结构实现可视化。但是现在三维的肿瘤磁共振影像数据量十分庞大,对于医生专家来说是个沉重的负担。如果仅靠手动分割会十分费时、繁琐且缺乏客观性,因此需要自动分割方法来进行准确、及时、客观的处理。近年来,基于深度学习的分割方法因其强大的自学习和泛化能力而受到欢迎。为了更好地捕获上下文信息与产生语义特征,我们提出了一种新颖的基于3D CNN的自动脑肿瘤分割方法。与自然图像相比,医学影像多为灰度影像且分辨率低,因此该方法基于网络层深较浅的编码-解码架构,主体由残差模块、编码器适配模块、密集融合模块和多尺度优化模块组成,取得了对胶质瘤不错的分割结果。具体研究内容如下:1.为了有效地提取代表性的特征,本论文采用了适合医学图像分割的编码器-解码器框架。同时吸取流行的残差网络结构、密集网络结构和Inception网络结构的思想,提出了它们的3D修改版本,设计了由残差模块、密集连接和Inception结构嵌入的编码-解码模型,以用于体积医学图像分割。这样彻底地探索跳跃连接,残差连接和密集连接的优势,使得跳跃连接,残差连接和密集连接这些长短快捷连接用于加快信息和梯度流动,从而可以将位置信息丰富的浅层特征与语义信息丰富的深层特征进行组合以实现更精细的分割。2.在负责挖掘语义特征的编码部分,本文在医学图像分辨率适应的情况下,通过有效地堆叠残差模块,增强了信息传递且加深了网络,层层递进地抽取了高分辨率的表面特征和低分辨率的语义特征,残差连接使得该多层级提取过程更加容易、准确,为肿瘤分割基定了良好的基础。3.在承担恢复图像分辨率的解码部分,本文一方面采用密集融合策略,为了减少计算量并节约内存,将本来级联的密集连接方式修改为求和的连接方式。另一方面使用了多尺度优化策略,该策略在一定程度上实现了网络的加深和加宽,但是与性能相同的大型网络结构相比大大减少了网络复杂度。因此本文用密集融合模块和多尺度优化模块来调整融合3D特征图,减少了有效信息的丢失,进一步提高分割精度。4.本文进行了消融实验以评估关键组件包括残差模块、密集融合模块、多尺度优化模块的性能,最终在多模态脑肿瘤MRI分割方面取得了不错的结果。为了更好的评估模型,我们选择了经典的公共数据库BRATS 2015,并将我们提出的模型与BRATS 2015比赛中的优秀论文模型进行了比较。