脑胶质瘤是常见的脑恶性肿瘤,具有发病率高、极难治愈,容易复发的特点。脑胶质瘤的早期诊断可以有效地预防患者的病情恶化,对于肿瘤的治疗以及预后评估具有重要意义。设计并实现了一种基于深度学习的脑胶质瘤分割系统。其中,该系统分为两个部分,分别是前端交互系统和后端分割算法。具体而言,前端交互系统包括MRI脑部图像读取与保存、多序列图像显示、颅骨分割处理、十字线显示、测距、生成报告等多种功能;后端的分割算法使用nn U-net网络作为训练网络,该网络由2D U-net、3D U-net、U-net级联构成,其能够适应不同情况下的脑胶质瘤图像,使得每种情况下都能选择最优的网络。当下大多数分割网络都是基于U-net对网络结构进行的改进,对除去框架外的细节不够重视,而这些细节对训练结果影响较大,网络可能会出现过拟合、泛用性不足的问题。针对以上问题,nn U-net对网络的修改很少,能够适应不同的数据集,从而可以自动地调整网络中的超参数,并将注意力更多地放在数据预处理、模型训练、推理、后处理等细节使网络能够更加精准的分割。在BraTS数据集上进行模型的训练与测试。实验结果表明,数据增强方法和模型集成方法对于网络分割效果提升明显。