脑肿瘤是一种高危疾病,在所有的治疗方式中,手术切除是一种有效的治疗手段,任何有关位置、大小和结构的信息都至关重要。医学成像技术可用于检测身体组织上的异常变化。其中核磁共振成像作为显示脑肿瘤信息的主要显像技术是被广泛应用,核磁共振成像是一种无损伤的三维信息显示技术,对于不同类型和大小的脑肿瘤能够在不同的模式下有效的显示。本文主要是针对脑肿瘤分割技术进行研究,首先介绍了脑肿瘤分割的背景及意义,以及脑肿瘤图像分割技术的发展和当前最新的研究现状,对脑肿瘤的难点进行总结和本文的结构进行介绍,详细阐述脑肿瘤分割的问题以及最新研究解决技术手段。1.基于核磁共振成像脑肿瘤图像的分割研究一直以来都是热门研究的方向,本文从多模式的核磁共振成像开始研究。首先介绍模糊C均值算法和基于直方图约束的快速模糊C均值聚类算法;水平集算法和混合水平集算法。在两个改进算法:快速模糊C均值和混合水平集的基础上,为了有效分割脑肿瘤,提出一种改进的多模式脑肿瘤二维图像混合分割算法。该算法使用的是三种模式核磁共振成像:T1C、T2和FLAIR。算法主要使用快速模糊C均值算法对融合图像进行聚类分割初始欠分割区域;之后欠分割区域使用混合水平集算法分割最终结果。2.改进的多模式脑肿瘤二维图像混合分割算法对于二维较大区域的脑肿瘤图像能够有效地分割,但核磁共振成像均为三维图像,并且三维的结果更有利于临床的应用,因此,本文改进二维算法为多模式脑肿瘤三维图像混合分割算法,该算法在流程上与二维算法一致,但是效果优于二维的分割算法,并且更有利于临床实际应用。3.由于脑肿瘤图像种类多样,复杂度较高,传统的机器学习,对于同一类特征图像分割较好,但是对于特征差异较大的脑肿瘤分割存在明显不足。因此本文提出一种基于Voxresnet的三维脑肿瘤分割算法,该算法是基于残差网络改进和实现的,并且对于多模式的脑肿瘤图像,使用了级联的方式对脑肿瘤图像进行有效的分割。为了评估算法的有效性,本文使用三个指标:相似性系数、灵敏度和阳性预测率,对脑肿瘤分割的结果进行评价,实验表明本文提出的算法在脑肿瘤分割上有良好的表现。本文从不同的角度对脑肿瘤图像分割算法进行研究,三种不同的算法对脑肿瘤图像都有一定的效果,在文章最后对全文进行总结,并且介绍本文的研究的局限性和进一步所需要做的工作,并且对脑肿瘤的应用前景做了展望。