磁共振成像(MRI)是一种显示人体组织生理和解剖结构变化的非侵入式成像技术,脑MR图像质量较好,各组织之间对比度明显。大脑发育是复杂的过程,它贯穿儿童和青少年时期,开发工具来分析各个年龄段的神经系统发育是很重要的。在早期大脑发育的研究中,将婴儿大脑图像准确的分割为白质(White matter,WM)、灰质(Gray mater,GM)和脑脊液(Cerebrospinal Fluid,CSF),是下一步对感兴趣区域的定量分析的重要前提。近年来,深度学习在医学图像分析领域得到了广泛的应用。基于此,本文使用一种三维全卷积神经网络对脑图像进行分割并对网络进行改进,使用数据为6个月大婴儿脑部T1加权,T2加权两种模态的MR图像,算法对比显示改进效果较好。首先,本文首先分析了传统卷积神经网络在图像分割领域的两个主要缺陷,一是全连接层的存在限制了图像输入的大小,而且不能对每个像素分类,二是池化层降维的同时丢失了图像信息。接着,概述了全卷积神经网络和来解决以上缺点的其他创新方法。然后,详细说明本文中使用的全卷积神经网络结构:1.舍弃池化层,网络中全部为卷积层;2.多尺度特征,将较浅卷积层得到的特征图和最后一个3X3 X3卷积层整合在一起;3.网络输入为三维和多模态磁共振图像,多模态数据可以有效解决灰质和白质对比度低的问题,而三维数据更好的利用了原始数据中的空间特征。在此基础上,为了提高网络性能,添加1×1×1卷积层加深网络深度,加入dropout,防止过拟合。最后,将初始模型和改进的模型应用在测试数据集上,用ITK-SNAP对分割结果三维重建显示,并用三种评价方式衡量预测结果与金标准的之间的误差,各个指标均有所提升,证明了改进的有效性。