脑胶质瘤是成人最常见的原发性大脑肿瘤,是由胶质细胞癌变并浸润周围组织产生的。治疗时,医师通常使用外科手术摘除肿瘤。肿瘤切除的完整程度,会显著提高患者的生存质量。但是由于胶质肿瘤的形状不均匀,使得肿瘤难以完整切除,所以使用机器学习方法辅助医师进行精细分割,具有较高的临床意义。尽管机器学习方法在脑胶质瘤分割领域中取得了巨大的进展,但是医师逐渐认识到机器学习模型的精度虽然很高,但黑盒的特性使其难以广泛应用于医学领域。基于以上的背景,本研究设计并开发了一款交互式脑胶质瘤分割软件,该软件融合了五种常见的分割方法,为医师提供实时分割。并且针对分割算法（U-NET）存在的黑盒问题,提出了基于U-NET的可解释性分析方法。首先,通过常见的两种可解释性方法（SHAP,LIME）对U-NET进行解释,接着提出基于决策树的可解释性方法、基于进化树集合的可解释性方法对模型进行分析,最后提出基于决策路径的图像分割方法验证路径集合的有效性,从多个角度揭示U-NET内部逻辑。本研究主要工作如下:1.使用PyQt开发了一款交互式医学图像分割及生存期预测软件。该软件融合了常见的五种分割方法（U-NET,FCN,Attention U-Net,XGBoost,随机森林）,实现了对病例实时分割,同时可以获得影像组学特征,以辅助医师定量分析图像,最后给出病人的生存周期为医师诊断提供判断依据。2.提出基于决策树的可解释性分析方法。该方法使用决策树分别拟合两种胶质瘤分割模型（U-NET,XGBoost）,并从两颗决策树中提取出所有用于分割水肿区域和非增强肿瘤区域的决策路径,在此基础上,使用本研究提出的关联特征路径搜索算法（Search Association,SA）,提取出最重要的关联特征路径,在图像中找到关联特征路径对应区域。该区域为模型区分两种组织的重要影响区域。3.设计了基于进化优化树集合的可解释性分析方法。以进化算法为基础,初始种群设置为不同种类的决策树集合,以精度和种群数量为进化目标进化,在约简种群数量的同时提高种群的分类效果。尽管进化种群数量可约简到37颗树,但仍然过于复杂。针对该问题本研究提出了路径提取和筛选算法,获得重要特征路径集合,并使用SA算法从该集合中提取出重要的关联特征路径,最后在图像中找到对应区域。该区域为模型区分两种组织的重要影响区域,并与决策树方法获得的重要影响区域进行区分。为了验证提取的重要特征路径的有效性,本研究设计了一种基于决策路径的集成方法并在脑胶质瘤特征集的测试集以及UCI数据集上进行验证。4.设计了一种基于决策路径集合的图像分割方法。为了证明FLAIR序列对U-NET分割水肿区域有正向影响,本研究对三序列U-NET相对于四序列U-NET缺失区域提取特征,输入到进化树集合中,通过路径提取和筛选算法获得重要特征路径,组合成决策路径集成器。在使用三序列U-NET分割时,使用决策路径集成器辅助分割,一定程度的提高了三序列U-NET在水肿区域的分割精度,证明了FLAIR序列对U-NET分割水肿区域的正向影响。