脑胶质瘤是最常见的原发性脑恶性肿瘤,具有很高的侵袭性和各种不同的组织学亚区域,从多模态磁共振扫描图像中分割脑肿瘤区域,有助于对患者进行早期异常诊断,预后监测和治疗评估。由于脑胶质瘤本身固有的高异质性,在多模态MRI图像上体现出具有高度的非均匀性和不规则形状,因此对脑肿瘤进行精准可靠的分割依然是是医学图像分析中一项具有挑战性的工作。近年来,深度学习在脑肿瘤分割领域表现出了很好的性能效果。但基于深度学习的分割方法需要大规模的标注数据,而脑肿瘤数据一般数据规模小且单例数据复杂,脑肿瘤本身固有的高度异质性,会导致肿瘤区域的子区域之间存在类内差异以及肿瘤区域和非肿瘤区域之间的类间差异。因此,使用深度卷积网络模型对数据进行建模时需要从两个方面考虑,(1)输入网络的数据块尺寸要尽可能大,以期单个样本的样本数据块能更全面的代表数据的分布。(2)脑肿瘤数据的复杂性,就需要拟合能力更强的卷积模型对其进行建模,增加网络对数据的理解能力,更好的完成像素级分割的任务。但是,实践中往往受限于物理计算资源的限制,在使用深度卷积神经网络对脑肿瘤数据进行建模时,需要在输入数据尺寸和网络复杂度之间寻求一个平衡点。基于此,设计一个轻量级且表达能力强的深度卷积完成脑肿瘤分割任务,成为本文的研究动机。针对这个问题,本文从不同的空间维度探索设计,用于脑肿瘤分割的网络架构,提出了融合了多种注意力机制和特征融合机制网络结构(Brain Tumor Attention Network)BT2Net,在BraTS19数据集中的得分为,0.8931,0.7936,0.706的分割性能。为了弥补空间损失,本文又在此基础上提出了融合注意力机制的(3DBrain Tumor Attention Network)3DBT2Net,在3D网络结构中,为了解决卷积层数较浅,感受野较小的问题,本文在数据输入切分时避免随机将数据切分小块,而是根据先验知识对数据进行有针对性的切分,加入全局平均池化层增加网络对数据全局语义信息的理解,在不显著增加内存的情况下,增加注意力机制模块可以加快网络的收敛速度,通过是设计带有类内和类间权重的Loss函数,改善多个目标区域之间面积不均衡对训练造成的影响,在BraTs19数据集上测试的数据显示,我们的方法在检测数据集上分别得到增强肿瘤、全肿瘤和肿瘤核心的Dice分数分别为0.70、0.85和0.80。