脑胶质瘤是一种常见的脑部肿瘤疾病,它在脑部肿瘤中所占的比例高达七成,脑胶质瘤发展到恶性程度时有着非常高的致死率,如今脑胶质瘤成为了影响人们身体健康的重大疾病之一。脑部核磁共振影像检查是一种常用的诊断脑胶质瘤病变的技术手段,其中脑胶质瘤区域的确定对患者后续的手术计划以及治疗方案起着重要的作用。肿瘤区域的确定主要依赖影像科医生的专业知识及手动勾画,然而医生的手动勾画难免产生漏诊误诊等现象,并且手动勾画非常费时繁琐,因此,通过计算机辅助的自动化脑胶质瘤分割显得十分必要。计算机辅助系统的自动分割结果不仅可以减小医生的工作量,还可以为脑胶质瘤的临床诊疗提供一定的辅助。本文通过对脑胶质瘤分割处理中图像配准,分割建模等关键技术进行研究和改进,以期能够提高脑胶质瘤分割的精度和可靠性。研究工作主要包含以下两个方面的内容:(1)针对待分割图像存在空间偏差,影响分割效果的问题,在数据预处理阶段,提出一种基于3D多模态脑胶质瘤MR影像数据的联合配准算法。图像配准算法可以对多个序列的MR影像之间的偏差进行对齐,使得数据规范化的同时,共享同一分割结果。本文提出的配准算法使用高斯混合模型对图像中的像素强度与特征点分别进行建模,然后将两个模型统一到似然函数中,最后使用期望最大化算法求解配准偏移参数。配准算法首先在两个公开数据集RIRE和BRATS中进行验证,结果表明本文提出的配准算法在大偏移情况下对配准精度有明显提升,随后将其应用到临床数据中,对T1序列和T2序列影像进行配准,图像间的偏移得到了显著下降。(2)针对目前脑胶质瘤分割模型特征学习不充分,没有进行分割可靠性估计的问题,提出一种脑胶质瘤自动分割模型Bayes-Deep Medic-Plus,即BDMP模型。首先,分割模型中采用Deep Medic网络结构作为主干网络,网络以图像块为输入,减小了网络的复杂度,并采用全卷积策略实现像素级的分割。然后,对主干网络引入了通道注意力机制,得到改进的网络模型Deep Medic-Plus,它将不同尺度的卷积特征输入到通道注意力模块,串联所有特征图得到最终的特征图。最后,在Deep Medic-Plus的基础上,本文通过对卷积核中的参数引入先验分布,使得网络结构具备贝叶斯不确定性,使用结合了蒙特卡洛采样的变分推断方法,求解权重参数的后验分布。最终分割模型在对脑胶质瘤分割的同时,可以对分割结果的不确定性进行评估。在Bra Ts 2017数据集中,本文提出的BDMP模型对整体肿瘤区域的分割结果为:DICE系数0.9231,特异性0.9374,敏感性0.9021。在临床数据中,对整体肿瘤区域分割的结果为:DICE系数0.7457,特异性0.7127,敏感性0.6938。在对以上两个数据进行分割的同时,本文同时分析了分割结果的不确定性。在分割结果中,当不确定性值小于0.2时,两个数据集的像素分类准确率可以达到95.72%,96.38%。在不确定性值增大时,准确率逐渐下降。这说明本文提出的模型可以有效的评估分割结果的不确定性。