脑肿瘤图像分割是医学图像处理中的一个重要分支。其目的是通过对颅内影像数据进行智能化处理获得肿瘤的位置、尺寸、形态结构和骨质破坏等信息,为肿瘤专家提供用于诊断的可靠依据。在脑肿瘤统计数据中,神经胶质瘤是最常见的中枢神经系统疾病,约占原发性肿瘤的80%,常见于儿童和青年人群。高级别胶质瘤具有形态多变、浸润生长的特点。对于肿瘤占位性压迫的患者,开颅检查有可能对患者造成神经损伤,因此专家一般对脑影像数据进行诊断。在智能化的非侵入性检查算法中,单纯依靠强度阈值和纹理特征等特点构建的模型,其预测结果与真实标签相比准确率低,很难在实践中获得广泛应用,因此需要开发一种可靠的自动分割算法。本文针对脑肿瘤图像病灶分割的任务设计了两个深度学习模型,分别是基于U-Net模型的编码器-解码器结构和一个双通路三维并行卷积网络。编码器-解码器结构已经被证实在医学图像分割的多个领域具有良好性能,因此本文在U-Net模型的基础上构建了针对MRI图像三维数据的空间结构,将分割结果与金标准进行对比,计算其Dice系数与其他全卷积算法进行对比。U-Net在医学图像分割中的良好表现得益于两点。第一,U-Net的收缩路径可以获得图像中上下文信息。第二,扩张路径中融合了相同尺寸的特征图,可以获得多尺度特征。为了适应计算机显存的限制,本文在采样阶段随机提取了多尺度图像块作为网络的输入,完成数据增强,解决可训练标注数据较少的难题。第二种分割算法是由一个空洞卷积网络和一个密集全连接网络并行连接所组成。并行卷积网络首先提取多尺度图像块执行训练,捕获大感受野空间信息,并利用密集连接的恒等映射特性将浅层特征叠加到网络末端,在MRI多模态图像中分割出水肿区、增强区、非增强区和囊化区。在BraTS 2018验证数据的实验中测试了该模型分割结果中全肿瘤、核心区和增强区的平均Dice分别约为0.90、0.73和0.71,在实验中超过了单通路的空洞网络和密集连接网络分割结果的精度,与目前会议中已发表的优秀算法成绩相当,且具有较高的自动化集成度。