人类的脑组织结构极其精细,可以分为不同的区域,它们扮演着不同角色有着不同的功能,随着医学成像设备的进步和研究人员对人类大脑探索的不断深入,脑部的分割大致被分成三大层级:全脑组织的分割,脑部子结构的分割以及病理组织的分割和提取。基于磁共振成像(Magnetic Resonance Imaging,MRI)将脑组织分割为白质、灰质和脑脊液是一个长期的研究热点,关系到脑部疾病诊断、神经性病变的理解等难题。然而,在实际应用中,因为脑磁共振成像容易受到部分容积效应、外界噪声、偏移场等各种因素的影响,图像质量差、对比度低、边界模糊等因素使得目前的分割算法的性能严重下降。因此,科学的脑组织分割方法仍旧是医学影像分析处理领域的重点课题。本文提出了两种以神经网络理论为基础的脑组织分割方法。第一种基于多变换空间对脑磁共振影像进行重表达,将重表达结果输入到一个浅层神经网络做训练,最终利用训练好的网络进行分割预测。第二种是参照当今主流的深度学习语义分割方法,提出了一种新的人脑组织MRI三维图像分割框架。该框架由全卷积神经网络和长短期记忆网络两大部分组成,前者对MRI脑影像进行初步分割,后者对前者的分割结果做进一步优化。本文的工作主要包括以下几点:(1)对人脑MRI影像做多种变换。对每张影像做熵变换、拉普拉斯变换和伽柏变换,再结合原始灰度空间,得到一张影像的14个空间重表达结果。针对每个位置的像素将其特征表达为16维。(2)采用3D全卷积神经网络进行初始语义标注。搭建一个三维的全卷积神经网络(Full Convolution Neural Network,FCNN),对图像进行像素级别的分割。(3)使用双向长短期记忆网络细化语义标注。将网格格式的数据重新构造为序列格式,输入到一个双向的长短期记忆网络中,灵活地编码具有隐藏状态的上下文知识,从而增强局部预测,解决MRI影像弱边界和缺陷边界问题。(4)结果比对。通过将本文两种方法的分割结果与其它方法的实验结果进行对比,证实了本文所采用的脑磁共振三维影像分割框架的有效性。