很多脑类疾病都跟大脑的灰质和白质脱不开关系,如脑白质疏松症、脑灰质异位症、脑卒中、颅内肿瘤、脑溢血等疾病。磁共振脑成像具有方便并且无创性的优点,对发生在颅内的病变具有较高的诊断意义,但是每个序列的脑核磁图像需要好几个医师查看,这增加了医生的工作量,很可能影响患者的最佳治疗期。因此,脑核磁图像灰白质分割的计算机辅助技术的研究对医务工作者很有必要,实现快速而又准确的脑灰白质区域分割意义重大。基于深度学习的脑核磁图像的分割,主要分为建模和分割两步来做。首先,基于深度学习算法来建模。其中主要包括核磁图像的预处理和深度学习的特征建模。预处理阶段,在对脑核磁图像去噪和图像增强之后,由于头骨属于高亮区域,分别从脑核磁图像垂直两侧向中间遍历去掉颅骨,得到预分割区域,考虑到深度学习处理大数据的优势,将单个像素点的研究映射到周围的16个像素点;基于深度学习的特征建模阶段,利用深度学习极强的深层次学习能力,提取出预分割区域的特征,分别采用了深度学习的栈式自编码神经网络(Stacked Autoencoder,SAE)和卷积神经网络(Convolutional Neural Networks,CNN)两种学习方法。其次,脑灰白质的分割阶段,先以模C均值(Fuzzy C-Means Algorithm,FCM)做了一次粗分割,聚类结果得出灰质和白质两类。由于FCM聚类结果不精确,在两类聚类中心点附近取出一些点,以支持向量机(Support Vector Machine,SVM)训练出分类参数作为分类器,对原深度学习提取的特征再做一次自适应分类,得出理想的脑灰白分割结果。在实验结果评价验证的阶段,提取了最终分割结果图片的特征向量,以灰度共生矩阵等为标准,对最终分割的结果进行了定量评价。经过实验发现,两种算法都取得了比较理想的分割结果,但是CNN的各项指标都略好于SAE。其中在参数设置和算法效率方面,CNN都略优于SAE。因此认为,在脑灰白质的分割方面,CNN算法要好于SAE算法。综上所述,实现了基于深度学习的SAE和CNN两种算法的脑核磁图像的分割,将深度学习应用在脑核磁图像感兴趣区域的特征建模中,以FCM和SVM实现特征分类,提高了分类性能和效率。