肿瘤严重危害居民的健康,而脑部胶质瘤更是作为一种常见的对患者生命造成威胁的恶性脑肿瘤。作为脑肿瘤主要的辅助诊疗方法-磁共振成像(Magnetic Resonance Imaging,MRI),因其丰富的诊断信息为脑肿瘤的诊断和治疗提供了重要帮助。在肿瘤放疗计划中,精确的放疗计划是保证患者准确治疗的前提,靶区勾画在放疗计划中起着关键作用。从多模式MRI图像中对脑肿瘤目标靶区和不同的脑肿瘤子区域进行靶区勾画,可为放疗方案的制定提供重要信息。传统上使用手动分割方法既耗时,又取决于医师的经验。深度学习(Deep learning)之卷积神经网络(Convolutional neural network,CNN)表现优异,因此为脑肿瘤的自动和准确勾画带来了更多的思路。本文工作作为肿瘤放射治疗系统的预工作-肿瘤靶区自动勾画,为精确放疗剂量计算与优化提供了基础,从而能够更好地实施优质的放疗计划。通过建立深度学习模型而进行的自动靶区勾画,可以更好的帮助放疗计划的实施。不同于自然图像,MRI脑肿瘤具有形状多样且多变、结构复杂、位置不稳定、脑部组织灰度不均匀以及在不同患者之间存在非常大的差异性等特点,因此给自动分割脑肿瘤带来了挑战,所以自动勾画脑部肿瘤靶区具有重要研究价值。本文提出了基于多模态MRI图像的深度学习技术来进行自动精确的分割脑肿瘤。研究目的是建立深度学习分割模型从MRI多模态图像中自动识别和分割肿瘤靶区。论文首先提出一种基于图像块的脑肿瘤深度卷积神经网络分割模型,并通过比较不同尺寸大小的图像块的实验结果,然后选择最佳尺寸的图像块进行实验,从而实现脑肿瘤的自动分割。但是基于图像块构建的模型也存在不足,论文又以迁移学习为理论基础,将基于全卷积神经网络的U-net网络应用于MRI脑肿瘤分割。论文主要内容如下:(1)针对脑肿瘤和CNN的优异性能,构建了基于图像块的MRI图像脑肿瘤自动分割模型6-CNN网络,并在公共数据集BRATS 2015对该网络进行实验验证,保证了该网络的有效性。实验结果表明该网络能适应脑肿瘤轮廓,并且取得较好的分割效果,说明该网络能有效分割脑肿瘤,但也存在训练过程复杂、分割效率低、易丢失数据空间等问题。(2)由于6-CNN网络存在存储空间大、过程繁琐、容易丢失空间结构等问题,又基于迁移学习的理论基础,引入基于全卷积神经网络的U-net网络用于MRI图像脑肿瘤的分割。与6-CNN网络采用图像块的训练方法不同,U-net网络采用整张图像训练,实现端到端的训练。实验结果表明,该方法不仅能有效分割脑肿瘤,还显著提高了肿瘤内各个子区域的分割精度,而且分割效率也得到了明显改善。