脑肿瘤是指起源于颅内各组织的原发性肿瘤及从颅外其他部位转移到颅内的继发性肿瘤,又分为良性肿瘤和恶性肿瘤,是常见病,危害大,致残、致死率高。神经上皮肿瘤(又称胶质瘤)是发病率很高的一种脑肿瘤,约占40%。脑肿瘤不仅会引起头痛、恶心、呕吐等症状,且及有可能引起精神异常、视力下降甚至失明等症状。近年来脑肿瘤的治疗手段有着飞速的发展,但其死亡率一直居高不下。目前检查脑肿瘤的影像手段主要有核磁共振成像MRI(Magnetic Resonance Imaging)和计算机断层扫描(Computed tomography, CT),其中核磁共振成像能够提供多参数、高分辨率、高品质的图像,组织对比度高,能对大脑的解剖结构进行准确地描述,是当前医学图像分析领域的研究热点之一,也是脑肿瘤诊断的重要辅助手段,对脑肿瘤的诊断、治疗及手术引导具有重要的意义。为了充分利用图像中的解剖信息,为临床诊断提供量化、直观的参考,首先必须精确的对脑肿瘤进行分割。目前临床上主要依赖专家的手动分割,专业性强,不同专家对同一病人的分割难以达到统一,同一专家不同时刻对同一病人的分割结果都不尽相同。手动分割工作繁琐,可重复性差,使用计算机实现对脑肿瘤的精确分割,是人们长期以来所追求的目标。然而,由于脑肿瘤形状多变、结构复杂以及灰度不均匀,脑肿瘤边界多伴有水肿存在,且各个模态强调不同的信息,例如：FLAIR模态中脑白质对比度较低,但肿瘤区域与正常组织对比度明显增强,有利于肿瘤显示,由于消除了脑脊液的影响,对脑室旁及凸面或脑沟的肿瘤显示更为清楚；T1C(T1增强)能比较清晰显示大脑组织结构,且边界纹理特征明显等。由于个体生理性差异及病理性差异等,不同病人的同一模态图形信息特征也大不相同。如何使用计算机辅助分割MRI脑肿瘤,以得到理想结果,仍是一个急需解决又困难重重的问题。近年来,国内外都有大量学者对脑肿瘤MRI图像分割进行研究,这些方法大致可以分为基于阈值、基于区域、基于像素分类器、基于模型以及其他分割方法等。其中基于阈值的分割方法由于方法过于简单,通常在脑肿瘤分割的前期工作中出现；基于区域的分割方法主要有区域生长、分水岭等,其优点是简单、易于实现,对纹理清晰、灰度单一的图像有好的连通分割结果,缺点是易受局部灰度不均和噪声的影响,陷入过分割；基于模型的分割方法如参数形变模型(Parametric Deformable Models)和水平集(Level Sets),以其适应解剖结构的多变性而受到广大关注,缺点是不能对复杂的边界进行很好的分割,且计算代价高。基于像素分类器的方法能够充分利用每一个像素的邻域灰度信息和局部纹理等特征,例如模糊C聚类(Fuzzy C Means,FCM)、人工神经网络(Artificial Neural Network,ANN)、马尔科夫随机场(Markov Random Fields,MRF)、支持向量机(Support Vector Machines,SVM)等。由Vapnik等人提出的基于统计学习理论的SVM综合考虑期望风险和经验风险,具有小样本、非线性、克服维数灾难及泛化能力强等独特优势,是脑肿瘤分割中应用最为广泛的像素分类器。其核函数巧妙的引入,能够实现非线性判别及分类,诸多学者将其用于图像分割领域,是脑肿瘤MRI图像分割中一种常见的方法,其主要缺点是参数的改变对分割结果影响很大,算法时间复杂度长,空间复杂度高。本文重点研究基于SVM分类的脑肿瘤分割方法。基于像素的MRI脑肿瘤分割方法一直以来是研究的一大热点。研究内容主要针对特征提取、特征选择和分类器设计,好的特征提取能使得分类器的工作变得简单。特征提取按方法主要分为统计方法、模型方法和信号处理方法,其各有优势和不足。统计方法简单,易于实现,对小图像具有一定的优势,但其对全局信息的利用不足,与人类视觉模型脱节；模型方法能够兼顾纹理局部的随机性和整体上的规律性,具有很大的灵活性,不足是模型系数难以求解,参数调节不方便；信号处理方法善于捕捉纹理的细节信息,能同时在空间和频域上表现纹理特征,然而小波分解往往忽视高频信息,不善于提取非规则纹理特征。MRI的不同模态图像能提供不同的纹理边界信息,由于个体差异,不同病人同一模态所表现的特征信息也大不相同。由上可见,没有一种特征提取方法适合所有MRI脑肿瘤的分割。由Yam LeCun等人提出的卷积神经网络(Convolutional Neural Networks, CNNs)是有监督深度学习方法的一种,已在众多领域取得巨大的成功,如图像识别、语音识别、自然语言处理。CNNs通过对原始输入数据进行循环卷积下采样,以有监督训练的方式获取卷积权重,最终实现直接从原始输入中提取有利于分类的特征,图像识别中的特征表现为纹理、形状、结构等,但是由于CNNs需要多次卷积与下采样,输入对象通常是一幅图像,邻域值(卷积尺度)较大,并不适用于细节纹理丰富、变化多样的MRI脑肿瘤图像特征提取。本文结合MRI多模态信息,将CNNs扩展到3D,由多个模态共同构成3D的原始数据,用3D卷积模板提取有利于分割的特征,并将提取到的特征通过支持向量机(SVM)分类器实现分割。首先,引入CNNs作为MRI脑肿瘤分割的特征提取方法,有监督的方法使得分类特征是根据不同病人的差异信息自动生成,克服了无监督特征提取方法只对某类特征具有针对性的缺点；其次,将2D-CNNs扩展到多模态3D-CNNs,三个方向同时获取纹理信息,不仅解决了2D-CNNs原始输入需要大邻域的缺点,同时能更好的提取各模态之间的差异信息,实现适应范围更广的MRI脑肿瘤分割。在基于SVM像素分类器的脑肿瘤分割方法中,研究主要针对特征提取和选择,直接运用单一径向基(RBF)核SVM进行分割。基于单一核函数SVM虽然能获得比较好的结果,但对于肿瘤周围存在的水肿部分,肿瘤边界模糊的脑部MR图像,分割结果仍有待进一步提高,以达到最终临床应用的目的。为弥补单核SVM的不足,本文首次提出将混合核函数SVM应用于MR图像脑肿瘤分割。混合核函数由Smits等人于2002年首次提出,通过局部核函数和全局核函数的加权组合,能同时保证SVM的学习能力和泛化性能,其性能优于单一核函数,并在人脸识别和掌纹识别中得到广泛应用。而脑肿瘤形状、大小、位置多变等,恶性肿瘤边界模糊不清,相对于单一核函数,经典混合核函数并不能使分割结果得到很好的改善,却增加了待优化参数的个数,使得混合核函数在脑肿瘤分割得不到应用。本文提出一种改进的混合核函数,将同是由神经网络演化而来的RBF局部核函数和Sigmoid全局核函数组合,并且扩大混合核函数的权重系数。首先,权重系数的扩大增大了新映射空间中各样本点的距离,消弱了惩罚因子C的影响,使得参数寻优的过程中可以固定惩罚因子C,以减少待寻优参数；其次,权重系数的扩大改变了SMO算法中的修正因子,从计算上影响了支持向量的选取,以得到更优的分类间隔,间接优化了支持向量机分类器,最终提高脑肿瘤的分割精度。因此本文提出的关键技术包括：(1)多模态3D-CNN特征提取方法；(2)自适应加权混合核函数方法。(1)多模态3D-CNNs特征提取方法。针对目前MRI脑肿瘤分割中的无监督特征提取方法无法适应脑肿瘤图像的差异性,提出一种基于多模态3D卷积神经网络(CNNs)特征提取的MRI脑肿瘤分割方法。将2D的多模态MRI图像组合成3D原始特征,通过3D-CNNs提取特征,更有利于提取各模态之间的差异信息,去除各模态之间的冗余干扰信息,同时缩小原始特征邻域大小,以适应同一病人不同图像层肿瘤大小的差异变化,进一步提高MRI脑肿瘤的分割精度。实验结果证明,本文方法能适应不同病人各模态之间的差异性和多变性,以提高脑肿瘤的分割精度。(2)自适应加权混合核函数。首先,构造自适应加权混合核函数,实现自适应调节新映射空间中样本点的距离,改变序列最小优化(SMO)过程中的修正因子,以消弱惩罚因子的影响,改变拉格朗日乘子的取值,优化支持向量的选取,进而获得更优的分类界面,提高SVM的分类能力。然后,首次提出将混合核函数SVM应用于脑肿瘤分割中,该混合核函数由最优局部核函数(径向基核函数)和全局核函数(Sigmoid核函数)自适应加权组合而成,同时保证了核函数的学习能力和泛化性能；实验结果表明,该方法能更高效准确地分割脑肿瘤。本文以在线图像库MICCAI2012中22例真实脑胶质瘤病人图像数据作为实验样本,采用本文算法实现脑肿瘤MRI图像的肿瘤分割。以临床专家分割结果为依据,对本文方法分割结果进行定量分析,实验证明本文方法的分割准确率达到91.29%,相较于目前方法,分割进度明显提高,从而说明了本文方法的有效性和实用性。