脑肿瘤的精确分割是脑肿瘤计算机辅助诊断中最重要且最关键的一步,可以为医生的术前规划提供可靠的依据,保证脑肿瘤的切除能够更彻底,并且不伤害正常组织,有可能改善病人生存质量和延长生存期。目前,在临床诊断和治疗中最广泛应用的就是人工的手动分割,但是这种方法既不精确也不可靠。我们急需一个自动且精确的脑肿瘤分割系统。近年来,有很多针对医学影像的脑肿瘤自动化分割方法被提出,但是这些方法仍然面临着许多困难,比如分割结果不精确或者需要人为的干预。在本文中,我们首先介绍了与本文相关的医学图像处理基本技术,然后介绍了深度学习的总体思想和常见模型。基于以上基础知识,我们提出了一个新颖的脑肿瘤分割方法。这个层次框架结构由预处理,基于深度学习的脑肿瘤分割和后处理三步构成。其中,预处理主要包含对医学图像的去噪,亮度变换及直方图处理,这样做的目的是使在不同仪器参数下拍摄的脑肿瘤MRI图像在对比度和亮度上能够更一致。接着,我们为每一个MRI图像提取图像块,记录每一个图像块中心点在原图像中的坐标,并为图像块生成其灰度序列作为深度学习网络的输入,避免了额外特征的提取。在基于深度学习的脑肿瘤分割中,我们采取的深度学习模型为堆叠降噪自动编码器。首先利用输入数据对网络进行逐层的预训练得到最初的网络参数,然后进行自上而下地对网络参数进行微调并分类。具有层次结构的深度学习网络可以从输入数据中提取出高层抽象特征用于表征输入数据的分布,然后利用这些特征对图像块进行分类。接下来,将分类结果根据记录的坐标映射成一个二值图像,该二值图像就是对应于原图像的初步分割结果,一系列形态学的图像处理将被应用在这个二值图像中,以得到最终的图像分割结果。以上步骤被称为后处理。最后,本文提出的方法被用于了真实脑肿瘤病患MRI图像中的脑肿瘤分割上。从各个评价方法上的分割结果显示本文提出的脑肿瘤分割方法都更精确和有效。