人工智能技术的发展使得计算机辅助诊断的应用日益广泛,借助于临床医学大数据分析,计算机辅助诊断的效率和准确性也受到业界认可。近年来,随着深度学习在图像处理应用中的迅速发展,利用深度学习方法对医学图像进行分割也成为研究的热点,特别是基于卷积神经网络的图像分割已成为医学图像处理的重要应用领域。医学图像分割的目的是将指定图像的病灶区域分割出来,其分割的准确性直接影响图像识别效果,也会对医生制订手术治疗方案产生影响。脑肿瘤是一种颅内组织出现癌变的疾病,其早期症状并不明显,没有引起人们足够的重视。一旦发生恶变,治疗难度较大。“早发现、早治疗”是预防脑肿瘤恶变的有效手段,临床诊断主要依赖磁共振成像检测技术识别脑肿瘤。为提高脑肿瘤诊断识别效率,脑肿瘤分割尤为重要。由于脑肿瘤其自身形状各异,产生的位置也各有不同,不同患者之间的脑肿瘤也存在差异,这使得医生在手动分割脑肿瘤时难以保证分割精度,分割效率较低,同时对医生的专业水平提出了更高的要求。利用深度学习方法对医学图像进行分割,不仅能够达到自动分割肿瘤病灶的目的,还能显著提高分割精度。为此,提出了两种基于改进U-Net的脑肿瘤MRI图像分割模型:1)针对脑肿瘤边界模糊、对比度较低、模型训练较慢等问题,提出了基于残差的改进U-Net分割模型。在U-Net基础上引入残差网络,利用残差块替换U-Net中的卷积层,同一层级的两个残差块之间加入跳跃连接,提取更多的特征信息,提高模型在训练过程中的收敛速度,残差块在反向传播时能够无衰减地传递,从而进一步提高了模型的训练效率与分割精度。2)针对脑肿瘤图像中冗余信息较多等问题,提出了基于残差注意力的改进U-Net分割模型。在基于残差的改进U-Net模型的基础上引入注意力机制,为图像中不同特征赋予不同权重,将计算资源集中在图像中待分割的区域,实现对图像中脑肿瘤的聚焦,剔除冗余信息,提升模型的分割精度。为了验证两种模型的分割效果,使用公共脑肿瘤作为数据集,利用交叉熵损失、Dice系数差异函数的结合作为损失函数,规避脑肿瘤MRI图像中类别不均衡的问题。通过最小化损失函数来训练模型,利用训练好的模型对测试集中的脑肿瘤MRI图像进行分割,得到的结果与医生手工标注的分割结果十分接近,证明了两种模型的可行性和有效性。综合模型测试时得到的各项评价指标,提出的两种模型均要优于原始的U-Net,其中基于残差注意力的改进U-Net分割模型拥有最高的分割精度。