脑瘤是世界上死亡率最高的疾病之一,恶性脑肿瘤患者的存活时间不超过两年。准确定位和判断脑瘤患者的肿瘤区域和类型对诊断和制定治疗方案非常重要。因为MRI技术可以对人体的软组织进行高分辨率和高对比度成像,同时还可以进行大视野、多方位的观测,所以MRI技术被广泛地使用在脑瘤的临床诊断中。传统的人工分析图像的方法无法满足现代医学诊断的要求,所以迫切地需要开发可靠的自动化MRI脑瘤图像分割的方法。随着深度学习在图像处理领域的快速发展,基于深度学习的自动化MRI脑瘤图像分割方法成为了当前的的研究热点。本文致力于基于深度学习的多模态MRI脑瘤图像分割算法的研究,介绍了多模态MRI脑瘤图像分割任务的研究进展和常用的分割方法,分析了多模态MRI脑瘤图像分割任务中存在的困难和挑战,提出了两种多模态MRI脑瘤图像分割方法。根据临床实践中医生往往先分割MRI脑瘤图像中的显著区域的经验,和多模态MRI脑瘤图像中不同的模态数据对特定的脑瘤区域的重要性不同这两个问题,本文提出了基于多模态特征融合的多任务MRI脑瘤图像分割方法。和大多数现有的方法将MRI脑瘤图像分割视为常见的语义分割任务不一样,这个方法中将多类别的MRI脑瘤分割任务看作是多任务二分类分割任务,然后设计了多任务级联分割网络结构,这种结构可以充分利用脑瘤中各个分割区域的联系来提升分割效果,同时还可以缓解各个脑瘤区域间的不平衡问题。此外,在这个方法中还包含了一个多模态特征感知模块(MAFE)根据对特定脑瘤区域的重要性对多模态图像特征加权融合。然后在Tensor Flow深度学习框架中搭建网络模型,用多模态MRI脑瘤图像数据集在Ubuntu18环境下的GTX 1080Ti显卡中训练和测试,通过和已有的先进算法对比验证了该方法的有效性,通过设计合理的对比实验验证了本文提出的模块方法的功能。多模态MRI脑瘤图像数据集的规模通常较小,但是其中包含了丰富的模态特征信息,据此本文提出了一种基于多模态特征学习的MRI脑瘤图像分割方法,方法主要是设计模态特征转换网络在多模态MRI图像数据中学习丰富的特征信息。该方法中包括了多模态特征转换过程(MMFT)和多模态特征融合分割过程(MMFF)两个部分。多模态特征转换过程采用生成式对抗网络学习在不同模态数据之间的转换产生对脑瘤区域分割有用的特征,可以使网络能够从每个模态数据中挖掘有助于脑肿瘤分割任务的潜在信息。多模态特征融合分割过程中,则构建了一种新的卷积神经网络结构,融合从不同模态数据中获取的深层特征用来预测分割脑瘤区域,多模态特征融合分割过程可以利用多模态特征转换过程获得的丰富特征信息。最后在Ubuntu 18的环境下用GTX 1080Ti显卡在Pytorch深度学习框架中搭建网络模型,在两个多模态MRI脑瘤图像分割数据集中进行实验,最后与消融实验的对比结果和与已有的先进方法的对比结果验证了本文提出的基于多模态特征学习的MRI脑瘤图像分割方法的有效性。