脑肿瘤是一种严重危害人体生命健康安全的疾病,患者一旦被确诊为高级别脑肿瘤,自身不但要遭受病痛折磨,而且术后也难以康复到正常人的水平,生命长度会被极大地缩短。脑肿瘤的诊断需要采用磁共振成像的方式对病灶区域进行影像采集,完全采用人力进行标注分割,无疑需要花费比较长的时间而且存在一定的主观因素。采用计算机辅助的方式对脑肿瘤进行分割在国内外均有大量科研人员对其进行研究,并且取得了很好的分割结果。目前,以卷积神经网络为主的深度学习方式已经广泛运用在脑肿瘤分割研究中,取得了一定的成果。但是,脑肿瘤生长在正常脑组织之中,与非病灶区域边缘区别不大,无固定生长区域,类不平衡严重。因此,网络模型精确地分割出脑肿瘤的不同子区域仍然是一个具有挑战性的难题。面对上述的研究背景和分割中的难题,本文完成工作如下:（1）文中通过对原本U-net网络模型进行改进,实现脑肿瘤子区域的进一步的精准分割,在dice系数有一定上涨,缩短hausdorff距离。文中将原本的Unet模型中的部分普通卷积替换为空洞卷积,通过增大的感受野捕获更多的特征信息,解决缺乏计算资源的问题。模型中引入了全局推理单元,将核磁共振图像中的一组特征全局地聚集在坐标空间上,通过推理全局池和加权广播实现坐标-交互空间的全局推理,进一步提升骨干架构的性能,实现多模脑肿瘤核磁共振图像精确地分割。相较于改进之前的分割结果,增强肿瘤区域的Dice系数提升1.37%,肿瘤核心区域的Dice系数提升3.21%,整个肿瘤区域下降0.5%左右,整体上取得了不错的结果。（2）相较于传统的2D卷积神经网络,3D卷积神经网络在分割多模态脑肿瘤MRI的肿瘤子区域有着更好的优势,整个过程中可以提取到更多的上下文信息,有助于更加精确地分割脑肿瘤的各个部分。考虑到普通卷积的堆叠需要消耗极大的显存,文中使用组卷积来缓解此问题。组卷积在同样的计算量和参数量的前提下,可以提取到更多的特征信息。文中为了更快地获取实验结果,该部分实验使用了多GPU技术,同时使用多个GPU同时对模型进行训练,这样一来可以节省训练时间,同时增大了批量值,在梯度下降时方向更加稳定。相较于原本的DMFNet网络,肿瘤核心区域的Dice系数上升了1%左右,在相同设备上训练时长缩短了3个多小时。（3）基于React与Node开发了计算机辅助诊疗系统,文中实现了脑肿瘤的计算机辅助分割等功能。医生手动分割脑肿瘤子区域过程繁琐,需要花费比较长的时间,拯救病人的生命却刻不容缓。计算机辅助诊疗系统,暂时达不到取代专家手工分割脑肿瘤的目标,它的分割结果可以给专家一个比较好的参考,结合临床经验,及早开展病人的治疗,为挽救病人生命赢得宝贵时间。