脑肿瘤是由生长在大脑内部癌细胞过度增长造成的,致死率很高。由于脑肿瘤具有形状多样、大小和位置不同的特点,对医生诊断脑肿瘤病情造成很大的难度。为了多角度分析脑肿瘤数据,本文采用分辨率高、多参数成像的磁共振成像图像作为我们的研究对象。同时,分割方法研究受到深度学习的影响进一步发展,如基于图像的阈值、边缘分割方法等发展到基于深度卷积神经网络的分割算法,这些技术的进步促进了医学人工智能领域的发展。脑肿瘤自动语义分割能够帮助医生分析病情、辅助诊断和制定后续手术计划,因此提升脑肿瘤语义分割精度具有重要研究意义。研究中发现脑肿瘤语义分割精度受到模型设计以及样本类别不平衡的影响,导致当前研究方法存在分割精度有限和细粒度目标分割困难的问题。基于此,本论文进行了以下三个方面的研究工作,阐述如下:1.研究采用全卷积网络模型进行脑肿瘤语义分割,提出了能够有效减轻类别不平衡对脑肿瘤分割精度影响的新损失函数。该损失函数约束模型集中注意力学习困难样本的有效特征,加快模型对样本的学习,从而提升模型的分类精度。实验结果证明,该方法对于提高脑肿瘤语义分割精度和分割效率是有效的。2.研究采用基于全卷积网络的深度对抗模型提升脑肿瘤语义分割精度,是本论文的重要研究工作之一。基于全卷积网络的生成器模型能够实现分割图像的端到端输出,分割图像与标签图像输入到判别网络模型,通过生成器网络和判别网络的对抗来加强学习数据的本质特征,进一步提高网络模型分割精度。同时,我们结合提出的损失函数和对抗函数的优势,减轻类别不平衡的影响,从而进一步提高模型分割精度。大量实验结果证明,采用深度生成对抗网络进行语义分割是可行的,有效的提高了脑肿瘤精确分割精度。另外,我们在实验中发现,使用深度对抗网络容易造成细粒度目标误分类,因此下一研究内容主要是基于此来进行的。3.研究构建自编码器网络,提升深度对抗网络对细粒度目标的分类准确率,是本论文的另一重要研究工作。建立基于自编码器结构的生成对抗网络模型,约束网络模型学习原始数据的潜在特征。缩减生成卷积神经网络模型结构,提供模型更多的图像细节与全局信息,加快模型的快速收敛和学习能力。利用设计损失函数的优势,提高模型对细粒度目标的精确分割能力。