脑胶质瘤是患病率和死亡率最高的脑肿瘤,患者一旦被确诊之后,能存活的时间一般不超过两年,越早发现肿瘤,对患者的治疗越有利。核磁共振成像(Magnetic Resonance Imaging,MRI)是诊断脑胶质瘤的一种非常重要的手段,但是如何从患者的脑部MRI图像中分割出肿瘤区域一直是个难点。目前主要是通过医生手工对肿瘤进行分割,手工分割不仅需要很强的专业知识,还会耗费大量的时间。因此,研究一种全自动的脑胶质瘤分割方法是十分有现实意义的。但是,脑胶质瘤会侵润到正常的组织区域中,导致肿瘤的边界模糊。此外,由于磁共振成像本身的成像原理,即使是同一个患者,在不同仪器下得到的图像也会有不同的灰度范围。这也进一步加大了脑胶质瘤的分割难度。基于这些分割难点,传统的图像分割算法不能取得很好的分割效果。近年来,深度卷积神经网络在计算机视觉方面相较于其他的传统机器学习方法有着巨大的优势。随着深度学习算法结构地不断发展和稳定高性能的实现,从有效的深度学习视角来看,深度学习能更好地解决脑胶质瘤分割问题。近年来,深度卷积网络在计算机视觉领域取得了很大的成功。基于这个现状,本文将深度卷积网络应用于脑部MRI肿瘤分割,主要研究工作如下:(1)由于脑胶质瘤和MRI成像的特点,传统的图像分割方法很难对肿瘤区域进行分割。为解决这一难题,本文将全卷积神经网络应用于脑部MRI肿瘤分割。本文的任务是分割出脑部MRI图像中的肿瘤区域,但是肿瘤区域较小,而且肿瘤内部结构较为复杂,直接用原始的脑部MRI图像进行训练虽然能分割出肿瘤的大致轮廓,但是对于肿瘤内部的精细结构并不能有很好的分割效果。所以本文将脑肿瘤分割任务分为两步,先训练一个粗分割网络,用来检测出脑部MRI图像中的肿瘤区域,并提取出肿瘤区域训练一个精细分割网络,用来对肿瘤区域进行精细分割。(2)由于MRI图像在成像的过程中会存在偏移场的干扰,导致脑组织在图像中不能以它自身的灰度值进行显示,所以本文提出了一种偏移场校正方法。此外,不同的成像仪器会导致其生成的图像在不同的灰度范围,所以本文在对原始的脑部MRI图像进行偏移场校正之后,又对其进行灰度正则化,使所有的脑部MRI图像的灰度都集中在一个灰度范围。(3)在传统的全卷积神经网络中,特征图每次池化之后尺寸都会缩小为原来的一半,这样经过多个池化层之后,输入图像中的细节信息会丢失很多。本文将空洞卷积应用到全卷积神经网络中,使池化之后的特征图的尺寸不变,得到的特征图更加稠密。本文在网络结构的尾部采用了多尺度卷积核,进一步提高网络的性能。最后,利用全连接的条件随机场对全卷积神经网络的输出结果进行优化。本文实验图像数据来自BRATS 2015数据库。经过大量实验分析与比较,发现本文提出的算法具有较好的肿瘤分割性能,能够为辅助临床医学诊断提供参考借鉴。