间质细胞瘤是一种由间质细胞病变引起的肿瘤,多发于成年人群。早期确诊和治疗这类肿瘤可以有效延长患者的存活时间。核磁共振成像(MRI)是一类重要的脑瘤成像技术,可有助脑瘤的早期确诊和治疗。为自动标注和辨识出MRI中脑瘤组织,脑瘤图像分割方法已得到医学界的广泛关注。传统脑瘤MRI分割技术主要包括阈值法、基于域的方法、基于像素分类的方法等。随着深度学习在计算机视觉领域的空前成功,脑瘤MRI分割模型也逐渐向深度学习方法发展。其中,由语义分割模型发展而来的脑瘤MRI分割模型存在两类问题:一是深度网络无法直接处理三维MRI图像;二是池化层的存在造成局部信息损失。鉴于此,本文研究了脑瘤MRI分割任务中的数据预处理方法和三维深度分割模型。本文的研究内容分为三部分:1)针对脑瘤MRI数据预处理模型缺少统计显著性评估标准问题,本文提出分别采用配对t-检验和F-检验模型对MRI预处理方法中常见的偏差场修正和灰度值域标准化方法进行评估。通过直方图和二维直方图对不同预处理结果进行可视化。求取了不同预处理方法效果的统计显著性,并用神经网络验证了评估结果。2)本文从理论层面定义d维扩张卷积算子以及基于此的简单扩张卷积网络(DCN)。定义了 DCN的感受域,并从理论层面研究其基本性质。从数学层面定义了 DCN中可能出现的栅格模式。给出并证明了无栅格模式的两个充要条件,同时给出了网络感受域的计算公式。另一方面为更有效地利用DCN,本文分析了输入图像大小与网络计算效率以及计算机存储压力的关系,给出了相应的计算公式,证明了当输入图像为d维超立方体时网络计算效率最高,存储压力最小。这一结论为本文设计网络输入输出方式提供了有力指导。3)基于前两部分内容本文构建了适用于核磁共振成像的3D扩展卷积网络。实验对比了扩张卷积网络与一般卷积网络的图像分割性能,并验证了栅格模式对网络分类准确性的影响。