心脑血管疾病是一类严重的多发病,早期的诊断和治疗对防止病情的恶化具有重要的意义,利用图像分割技术对医学影像进行分析是一种常用的辅助诊疗手段,由于核磁共振成像(Magnetic Resonance Imaging,MRI)具有非侵入性、非损伤性、高对比度等优势,被广泛的应用于临床诊断。但由于成像设备自身的问题及脑组织的特殊性,脑MR图像中经常存在噪声、偏移场、弱边界等问题,而传统的图像分割算法往往是基于灰度信息,受上述问题影响较大,难以获得精确的分割结果。基于卷积神经网络的模型能获得不同尺度的特征信息而得到更为准确的分割结果,但由于多次卷积与池化操作,导致对细节保持能力不足,分割效果不够理想。本文基于全卷积神经网络及U-Net模型,针对其存在的问题,对模型进行了改进,并使用了新的损失函数,对细节的分割获得了更好的结果,并提升了准确率。本文的研究内容主要有以下两个方面:(1)针对U-Net在分割脑MR图像时对细节分割效果不理想,且分割边界较光滑的问题,提出了一种多尺度的全卷积U形网络。在U-Net中加入了多尺度的卷积核,使用小尺度的卷积核提取图像细节信息,提升对细节的处理效果,使用较大尺度的卷积核扩大感受野,利用更多的邻域信息。通过结合不同尺度的卷积核的特征图,提升模型的分割精度。(2)针对医学图像中背景占比较大导致对损失影响较大的问题,构造了一种加权交叉熵损失函数。在交叉熵损失函数的基础上引入了权重系数,构造了加权交叉熵损失函数,通过控制图像不同位置的像素权重,减小损失受背景的影响,平衡不同类别分割结果对目标损失的影响,提升模型的分割准确率。通过在临床脑MR图像上的分割结果对比,本文提出的方法在不规则边界及细长拓扑的分割结果上表现更好,且获得了更高的准确率,从视觉效果及数值效果上验证了本文方法的有效性。