众所周知,深度学习的方法已经广泛地被应用到图像处理领域,其中以Unet为代表的全卷积网络已被广泛用于医学图像分割领域,它曾是2015年获得ISBI细胞追踪挑战赛冠军网络。但是它在用于处理复杂的医学图像(例如脑部MRI)方面表现效果不佳。为了使用Unet的特性来实现更好的分割性能,许多研究人员对堆叠Unet给予了更多的关注。但是,存在两个棘手的问题,其一,堆叠过程导致参数数量大大增加,在考虑精度和效率之间的权衡时,这并不是一个好的选择。另一个更为棘手的问题是,随着网络深度的增加,会导致梯度消失和信息丢失的概率增大。为了解决这些问题,在本文中,我们试图改进Unet的网络结构,使其更适用于脑肿瘤图像分割任务。首先构建了一个更适合堆叠的基础块SRNet,它是对原始Unet的改进,它在编码和解码过程中每一层级只进行1次卷积运算,保留了编码和解码之间的复制和裁剪的操作。SRNet的主要优点是:与原始Unet相比,参数数量减少了4/5以上。其次,我们提出了在堆叠级联网络之间建立桥连接,我们试图在堆叠级联网络内部建立一系列的“桥梁”,显性且充分地利用网络下采样过程中所有可用的信息,它们不仅可以增强网络留存信息的能力,还可以在正向训练期间为后级网络提供丰富的信息,并且在梯度回传时最大可能的降低梯度消失的风险。更具体地说,在下采样过程中,在每一层池化操作之前,将与相邻基础块之间建立桥连接。这意味着一个基本块中的每一层都有一个桥接连接,用于连接相邻基础块中具有同等尺度的特征。接着,我们通过增加网络深度及建立桥连接来提升分割性能,构建了基于SRNet纵向堆叠的网络SMCSRNet。最后我们通过增加网络宽度来提升分割性能,构建了基于SRNet横向堆叠的网络SESRNet。与Stacked Unet和Stacked RUnet相比,我们提出的框架SMCSRNet在脑肿瘤图像分割任务上的性能得到了提高,且其网络训练时间花费少得多。此外,与其他最新的分割网络进行进一步比较时,可以发现我们的网络分割脑肿瘤所需的时间更短,其性能与最受欢迎的先进网络几近相当。总体而言,通过在BRAT2015上评估我们提出的框架,可以证明提出的分割网络SMCSRNet具有准确定位脑肿瘤边界的能力,从而可以高效地获得更高的分割性能。