脑肿瘤是严重危害人类生命安全的疾病之一,肿瘤形状不规则、体积不定、可能出现在大脑中的任何位置,对患者的生命健康有着严重的威胁。局限于现有医疗技术水平,目前最有效的解决方案是在脑肿瘤发生早期及时发现并进行针对性治疗。磁共振成像MRI作为一种非入侵式技术,能够提供高分辨率高对比度且没有颅骨伪影的图像,被广泛地应用与临床医学的诊断和治疗上。医生通常结合不同模态序列的MRI成像,互补信息,手工对肿瘤的具体位置进行划分,对患者进行诊断和治疗。但手动分割依赖于医生的专业知识和临床经验,且费时费力。因此,开发准确、高效的全自动脑肿瘤分割算法对于临床医学具有极大帮助。本文研究是以深度学习中的卷积神经网络为基础,结合多模态MRI图像数据特点,针对脑肿瘤分割任务设计高效精准的神经网络模型。结合脑肿瘤分割的研究现状和趋势,本文在3D U-Net的基础上,从网络结构、损失函数等不同角度对算法进行改进,探索脑MRI图像多模态信息的高度利用,提高网络对细节的分割性能,得到分割结果更精准的脑肿瘤分割算法。具体研究内容如下:1.针对脑肿瘤存在多个区域且各区域边界不明显的问题,提出了一种基于改进3D U-Net的多模态MRI脑肿瘤分割算法。利用MRI影像各模态的差异性进行信息互补,构建了适用于脑肿瘤自动分割的级联网络架构,从粗分割到细分割逐步地完成脑肿瘤各个区域的分割。以3D U-Net为基础架构,引入残差连接,在一定程度上减少了传统网络中的信息丢失。在损失函数方面,本文在Tversky损失函数的基础上引入类别权重得到加权损失函数WTL,提高了对于小目标的分割精度。实验结果表明,在Bra TS2018验证数据集上,所提出网络在整个肿瘤、肿瘤核心和增强肿瘤的Dice系数分别为0.883、0.834、0.746,优于经典3D U-Net和级联3D U-Net。2.针对脑肿瘤细节分割准确度低的问题,提出了一种基于3D U-Net的双注意力机制脑肿瘤分割算法。在3D U-Net的基础上,引入位置注意力机制和通道注意力机制,最终得到双注意力机制3D U-Net,提高网络对关键特征的关注,获得更加精准的脑肿瘤图像的分割结果。在编码器部分,使用组归一化（GN）来代替常用的批量归一化（BN）操作,以减小batch size过小对网络准确性的影响,提升网络性能。同时,在损失函数部分,提出一种对边界信息敏感的混合损失函数,对脑肿瘤细节信息进行处理,以获得更清晰的肿瘤区域。最后,将3D U-Net、引入残差连接的Res Unet以及引入双注意力机制的3D AU-Net在Bra TS2018数据集上进行对比实验。所提出的脑肿瘤分割算法在整个肿瘤,肿瘤核心和增强肿瘤的Dice系数分别为0.898,0.850和0.776,在四种算法中综合性能最佳,证明了所提方法能够明显提高网络的分割精度。