近年来,脑部肿瘤分割成为医学图像处理研究领域的热点问题。脑部肿瘤是神经系统的常见疾病之一,对人体健康极为有害,其致死、致残率极高。其中胶质瘤是中枢神经系统常见的恶性原发肿瘤,占所有脑瘤的50%左右。胶质瘤分为低级别胶质瘤(Low-grade glioma,LGG)和高级别胶质瘤(High-grade glioma,HGG),进化为HGG的患者的平均预期寿命为两年左右。因此,需要早发现早治疗,才能有效地降低胶质瘤对人体的伤害。现有的成像技术包括MRI(Magnetic resonance imaging)、CT(Computed tomography)和PET(Positron emission tomography)等,由于MRI独特的优势,因此成为了脑肿瘤诊断和治疗的主要成像方式。目前,已有许多研究者提出了高效的胶质瘤MR图像分割算法,但由于其侵润生长、边界模糊的特性,使得胶质瘤的精确分割非常困难。为了有效地对脑胶质瘤进行精确分割,本文采用卷积神经网络(Convolutional neural networks,CNNs)和条件随机场(Conditional random fields,CRFs)开展深入研究,提出了一种基于多级联卷积神经网络(Multicascaded convolutional neural networks,MCCNN)和全连接CRFs的脑肿瘤分割方法。其主要研究内容如下:1)提出了一种新颖的MCCNN架构。它允许不同大小的图像块作为输入,以有效地识别局部细节和上下文信息。在该架构中,我们利用标签的依赖性以及不同尺度的特征,将三个并行的子网络进行堆叠最终形成多级联的架构。第一个子网的输出用做后续网络输入的附加信息,以指导后续网络的训练;同时在最终输出的前一层再次进行级联以获得更加平滑的边界。2)提出了一种有效地由粗到细的分割框架。我们的框架主要包括两个阶段。在第一个阶段中,我们使用所提出的MCCNN对多模态脑部MR图像进行粗分割以获得脑肿瘤概率图;在第二个阶段,我们使用CRFs进一步细化概率图,将脑部肿瘤分割问题看做最小化CRFs的能量函数的过程,充分考虑了空间上下文信息以消除一些假阳性并获得最终精细化的分割结果。3)在大脑肿瘤分割挑战赛(BRATS)中公开的两个数据库上进行了一系列实验来对本文算法的分割性能进行评估。实验结果表明,所提出的从粗到细的分割算法不仅可以实现前沿的分割性能,而且计算复杂度低,时间开销小。此外,与现有的脑肿瘤分割方法相比,我们的方法在DICE系数与灵敏度方面能取得竞争性的分割结果,尤其是对于难分的增强肿瘤区域优于大部分主流方法。