脑肿瘤是指人脑内的一个异常脑组织增生过程,会对人们的神经产生巨大伤害,其中神经胶质瘤是导致人类死亡率最高和患病率最大的脑肿瘤。癌细胞的特点是与正常人脑组织具有灰度上的相似之处,在同一类癌症肿瘤中,癌细胞在图像强度、纹理、长度、形态、部位等特点中,却具有相当大的差别。所以,仅借助医学视觉技术,在不同模态的MRI中获取有关脑瘤的综合性评估信息具有很大的难度。近年来,由于计算机辅助分割方法准确度的提升,能够在极大程度帮助大夫们提出辅助性的诊断建议,从而促进了疾病诊断标准与手术方法的制定,进而提升了患病者的治愈率。所以,研究有效、安全的半自动或自动计算机辅助切割方法,对于大脑肿瘤病变的治疗有着巨大的临床意义。基于卷积式神经网络的大脑肿瘤自动切割方法,已在大脑肿瘤切割领域中获得了长足的发展,但是因为大脑肿瘤分离任务的异质性较大,所以该技术还是存在问题。二零一四年,第一代对抗网络被提出用于自然图像处理,由于其超强的特性以及灵活的结构使它近年来在医疗图像处理中更多地被使用,如图像分割、重构、去噪等,所以本研究也将采用基于对抗网络所形成的新架构,对多模态脑肿瘤进行分割研究,重点的研究内容包括:（1）采用一种水平集方法对数据进行裁剪预处理,利用Canny算子的ECA能量泛函和传统水平集的LBF能量泛函相互结合操作,从而对目标边缘的检测加强,在利用凸包最小外接矩阵算法计算出裁剪最小框,以此对各个模态图像进行裁剪,使得可以更加精准去掉多余的黑色背景区域,有效预防对目标区域多分割,从而减小数据的不平衡现象。（2）提出了一种结合深度残差学习单元和生成对抗网络优势的网络模型用于多模态脑肿瘤的提取。该网络的分割器采用编解码结构,用深度残差网络学习单元代替原来的卷积神经网络层,更便于深层网络的训练,能在有效提取图像浅层特征的同时有效减少梯度相关性的衰减。在编解码结构中使用丰富的跳跃连接将特征图从收缩路径传递到扩展路径,直接连接两条路径的特征图,使得原始图像数据通过跳跃连接帮助收缩路径中的各层修复细节,从而促进信息的传播,在减小网络参数量的同时使网络的性能更好。在来自医学图像计算和计算机干预会议（MICCAI）关于多模态脑肿瘤分割挑战的数据集中,做了消融和对比实验,结果证实了所提出方案的有效性:在Bra TS2019上,分割算法在对整体肿瘤、肿瘤核心和增强肿瘤分割方面的精度和灵敏度上均有改善,特别是在对整体肿瘤核心和增强肿瘤区域的分割。（3）搭建了脑肿瘤自动分割原型系统。基于上述的研究成果,完成了脑肿瘤数据分步骤预处理功能和脑肿瘤自动分割功能。为了使系统更加完整,实现了模型介绍功能和用户管理功能。此系统的搭建实现直接对数据预处理和脑肿瘤分割过程的可视化,方便在后续研究中应用。