医学图像中的脑胶质瘤检测及病灶分割对临床治疗方案的选择和手术实施过程的引导都有着重要的价值。为了提高脑胶质瘤的检测效率和分割准确率,本研究提出了一种两阶段计算方法。首先,对图像中的肿瘤进行快速检测和定位;然后,在定位区域内进行病灶特征提取,完成病灶组织边界分割。本研究在MRI和CT数据集上进行脑胶质瘤分割,并在以下几个方面进行了深入研究:1.建立脑胶质瘤检测模型TDL-Net(Tumor Detection and Localization Network)。本研究设计了一个轻量级的卷积神经网络模型,并通过该网络完成图像中肿瘤的快速检测及大致定位。将待检测的图像进行网格化处理,检测每个网格中是否存在肿瘤,通过网格在原图中的位置就可以基本确定肿瘤的大致范围。网格化的处理方式不需要考虑原始图像尺寸,并且提高了肿瘤的检测速度。在MRI和CT数据集上进行脑胶质瘤检测,实验结果表明本研究提出的方法可以高效的进行脑胶质瘤检测。2.建立了一种基于差分进化(Differential Evolution,DE)算法的特征选择模型,并将被选择特征的分类错误率作为模型的优化指标。本研究共提取了104维影像组学特征和128维CNN特征,将两类特征合并成一个特征空间,并采用本研究建立的特征选择模型从特征空间中获得最优的特征组合。在实验阶段,将特征空间、CNN特征、影像组学特征和最优特征组合四种特征集进行对比分析。实验结果表明,特征选择能够有效剔除特征空间中的无用特征和冗余特征,选择出的特征组合更适合于病灶组织的边界分割。3.建立病灶组织边界分割模型。病灶组织边界分割模型只作用于影像中定位的肿瘤区域,通过计算每个像素点的类别完成肿瘤分割。针对不同组织相互浸润的边界区域,确定像素点的归属是一个模糊分类问题,本研究将目标像素点为中心确定的邻域内的特征作为此像素点的特征向量。在脑胶质瘤分割时,将特征选择得到的特征组合作为最优特征集训练集成分类器,采用集成分类器完成病灶组织的边界分割。实验阶段,在MRI和CT数据集上进行验证,并与其它优秀的算法进行对比分析,实验结果表明本研究提出的方法可以较好的完成脑胶质瘤分割工作。