近年来随着人们在加工食品中摄入的亚硝基化合物的的增加,以及一些环境因素的影响,脑肿瘤俨然已经成为给人们生命带来威胁的常见肿瘤之一。根据最新研究结果显示,我国在脑肿患者数量和因脑肿瘤失去生命的病患数量方面已经处在世界前列,脑肿瘤在确诊和治疗方面都有较大难度。磁共振成像(简称MRI)基于已经释放的能量,在某特定物体自身的多样化结构条件下,所发生的差异化衰减,借助于梯度磁场检测所发射的一定数量的电磁波,即能够获得该物体原子核的实际方位与具体类别,基于此能够绘制该物体结构所对应的结构图像,从而有利于对脑肿瘤进行科学有效的精准检测,还可对此展开较为深入的细致剖析。医生在实时浏览MRI图像之后,可对受检查者是否患有脑肿瘤以及脑肿瘤病情的具体严重程度做出大致的判断,但每天患者数量过多导致产生的MRI图像数量会很多,同时图像内部还有伪影、噪音等诸多影响因素对诊断带来干扰,单单依靠医生凭经验肉眼进行诊断判消耗大量的时间和精力,且会发生因经验不足或者精力消耗导致精力不集中带来的误判等风险。为了克服以上问题,深度学习的一个重要分支医学图像处理取得了长足的发展,医学图像处理的目的是能够利用计算机对MRI图像进行处理并达到较理想的效果,医学图像处理主要有两个方向:其中包含图像分类,此外,还涉及图像分割,第一种方向有助于判定脑肿瘤的具体种类,而第二种方向有利于判定肿瘤的基本形态与所处方位。脑胶质瘤所具有的一些特点会带来一些困难,例如:脑肿瘤自身的独特高异质性,于图像中呈现显著的非均匀性特征等,如果想要科学精准的分割脑肿瘤,无疑极为困难。但目前的医学图像分割,主要基于数量较多的标注数据而实现,但对当前的脑肿瘤数据而言,在数量方面还未达到这一标准,而且单个数据也十分复杂,不仅如此,因为脑肿瘤存在着显著的高度异质性,决定了各子区域彼此间的类内差异较为显著,同时,病变区域和正常组织还存在着一定的类间差异。在本篇论文中,主要以深度学习为基础,再结合最近的图像分割技术,对脑肿瘤分割展开更深层次的探索,详细的工作内容如下:1、数据处理方面,对Bra TS 2017MRI图像分类和分割数据集进行了预处理,使数据集得到扩增并调整到模型需要的尺寸。2、对脑肿瘤MRI图像全部用N4ITK算法进行偏差场校正,尽量避免不同扫描仪、机构和协议的区别带来的偏差。3、受二级级联U-Net的启发,在其基本架构上融入能够提取更多的空间语义信息和上下文信息的Global Aggregation Block(全局聚合块)提出了全局聚合级联网络,改善了3D深度卷积网络感受野较小,卷积池化等操作导致全局语义信息缺失所造成的分割性能下降。4、利用一组患者的脑肿瘤病变的ground truth来产生不同类型病变的热图。这些热图被用来创建感兴趣容积图(VOI),其中包含关于脑肿瘤病变的先验信息,然后将VOI映射与多模态MR图像集成,并作为全局聚合级联网络的输入进行脑肿瘤分割模型的训练。