脑肿瘤是一种常见的致死率较高的疾病,提高脑肿瘤诊断的准确度是医学图像处理领域一个重要且有挑战性的研究课题。本论文对基于多模态脑肿瘤MRI图像诊断技术问题进行研究,论文的主要工作包括以下几个方面:首先研究了图像预处理技术,针对MRI图像含有复杂的莱斯噪声导致图像模糊的问题,采用NLM算法能取得更好的去噪效果,NLM算法的关键是相似性度量。NLM算法采用水平的、尺寸不变的正方形相似窗口,并根据相似窗口之间的高斯欧式距离进行相似性度量。但是,此度量方法不能很好地保留图像的边缘纹理细节。因此,本文提出了一种改进的NLM算法,它的相似窗口的方向、尺寸和形状都是自适应的。结合Canny边缘检测算法将像素点分为平滑、弱边缘和边缘区域,分别对应沿梯度方向的不同尺寸的正方形、长方形和菱形相似窗口。除此之外,为了利用相似窗口内部的相似性,提出了核函数加权的欧式距离。实验结果表明,改进的NLM算法具有更好的去噪效果,更好地保留了图像细节信息。然后研究了脑肿瘤分割问题,脑肿瘤分为WT、TC、NCR&NET三个子区域,要同时分割出这三个区域。针对脑肿瘤MRI图像存在灰度不均匀、边缘不连续等问题,采用U-Net实现像素级别的分类,可以取得更好的分割效果,这是现在医学图像分割应用最广泛的方法。但是,U-Net无法利用体积图像的三维信息,因此,本文研究了 U-Net的三维版本,即3D U-Net网络,并结合Dense Block提出了 3D DU-Net网络,实现了网络中层与层之间最大程度上的信息传输,这是一个具有高度参数效率的浓缩模型。进而结合注意力机制提出了 3D DA-UNet网络,使网络更关注重要特征而抑制无关特征。除了改善网络结构,本文还通过数据增强、缩小图像尺寸、输入标准化等方式改善分割性能。针对医学图像分割存在类别不均衡问题,提出了一种平均Fβ-scores损失函数。最后针对以上算法设计对比实验,结果表明本文提出的3D网络在分割准确度上优于2D网络,3D分割网络中3D DA-UNet的性能最好,改进的损失函数较好地解决了类别不平衡问题。最后对脑肿瘤分级问题进行研究,将脑肿瘤分为HGG和LGG两类。3D DenseNet网络可以充分提取三维深度特征并进行分类,进而结合注意力机制以解决DenseNet特征冗余的问题。为了更充分地利用各种层次的三维特征,提出了多输出的3D DA-Net网络,将3D DA-Net中每一个密集块的输出直接反馈到最后的输出。引入最近出现的FishNet网络能狗利用各种分辨率的高级语义特征进行分类的特点,提出了一种3D FishNet模型进行脑肿瘤分级。结果表明这种网络结构改善了特征多样性和分类准确率。