脑肿瘤图像分割是手术导航中非常重要的一环,在术前通过对磁共振图像(Magnetic Resonance Images,MRI)中的脑肿瘤进行分割,医生可以获取病灶的位置和尺寸信息,制定相关的手术和治疗方案。人工手动分割往往费时费力且分割结果在一定程度上依赖于医生的主观判断,因此对于临床应用来说实现脑肿瘤的自动分割是十分有必要的。由于脑肿瘤自身的结构复杂性和形态特异性,以及在分割时存在严重的类别不平衡问题,导致脑肿瘤的自动化分割具有很大的挑战。针对以上问题,本文提出了一种基于深度学习的脑肿瘤图像自动分割模型,同时设计了搭载该算法的辅助分析系统,为医生提供客观的辅助诊断。本文工作主要分为以下三部分:1.搭建了基于辅助机制和条件随机场的3D脑肿瘤自动分割模型。首先,建立了基于辅助机制的分割框架,利用辅助机制中的感兴趣区域提取模块和自适应裁切模块增加对分割目标的关注度;同时设计了基于长短连接的3D分割网络,利用短连接弥补每一层卷积时的信息丢失,长连接弥补在编码和解码过程中造成的信息丢失,并在损失函数中引入权重项,减小目标类别不平衡带来的影响;最后,提出基于条件随机场和后处理的优化策略,对3D分割网络的输出结果进行细化。2.使用BRATS数据集评估本文提出的分割模型的性能和效果。本文设计了一系列的对比实验,使用BRATS2018数据集进行本地验证,分步证明了本文提出的辅助机制、3D分割网络结构和优化策略对分割结果有增益效果。与此同时,使用BRATS2015数据集进行在线验证,并将评估结果与其他先进方法进行对比,证明了本文提出的分割方法的有效性和优越性。3.基于本文提出的分割算法,设计了脑肿瘤辅助诊断分析系统。考虑到医生在实际工作时的需求,该系统设计了MRI图像的存储、查询、可视化、辅助分割及下载等功能,并使用B/S架构方式,通过Flask框架完成对系统的构建,为医生提供了客观的辅助分割结果和可视化呈现。