脑是人体的神经中枢,各种脑部疾病严重威胁着人类的身体健康。脑肿瘤由于不受控制的自主繁殖,持续困扰着患者及医生。随着医学影像技术的快速发展,核磁共振成像由于损伤小、成像分辨率高、三维方向成像等特点成为医学实践的主要成像方式。在众多的肿瘤治疗方案中,手术切除是最有效的治疗方案。了解肿瘤的形态、大小等信息,进行肿瘤分割是手术切除的第一步。人工切割耗时长、对专业知识要求高、可复现性差,因此,实现脑肿瘤的自动、精确分割是一个亟待解决的问题。由于脑肿瘤细胞会自主繁殖并不断影响周围正常的组织细胞,导致脑肿瘤MRI图像边界模糊,脑肿瘤个体差异性大。现有的分割算法在单序列或少序列的脑肿瘤分割上实现了较好的分割,但在部分肿瘤子结构的分割上仍有提升的空间。本论文研究了基于深度卷积网络的MRI图像的脑肿瘤分割,具体内容如下:(1)针对MRI肿瘤图像中肿瘤边界模糊,分割难度大的问题,本文提出了一种带有残差网络的编码器解码器的肿瘤分割方法。在经典的编码器解码器的分割方法中,编码器结构与解码器结构对称分布,同一层级的编码器与解码器之间跳转连接。本论文在此基础上引入了残差网络,用多个残差单元串联代替原来的编码器解码器网络,实现编码解码的功能。残差单元内的跳转连接提取更多的局部特征,同一层级的残差单元之间的跳转连接,提取更多的全局特征信息。此外,针对脑肿瘤图像中目标区域与背景区域在图像中所占比例差别大而导致的分割类别不平衡问题,本论文将交叉熵损失与Dice损失线性组合并对Dice损失加权来解决该问题。本方法可以获得更多的上下文信息,提高网络的特征提取能力。通过对数据集中脑肿瘤图像不同分割任务的实验,验证了所提算法的有效性与适应性。(2)本文提出了一种基于注意力机制的脑肿瘤分割方法。在脑肿瘤图像的切片中,目标肿瘤的占小,而且肿瘤具有异型性,因此MRI脑肿瘤图像中存在较多的冗余信息。为了减少冗余信息的干扰,实现任务聚焦,本论文在经典的分割网络的基础上引入注意力机制。本论文在计算特征图注意力时,除了自注意力的计算,还将低层次语义信息和边框信息嵌入,实现自适应地对输入图像以及特征图进行加权,引导模型将注意力集中在目标肿瘤区域。通过对脑肿瘤的不同分割任务的实验,验证了所提算法的有效性,适应性。