脑肿瘤是最具侵略性和致命性的一种癌症,会减少人的生命周期,严重的会导致死亡。因此准确的分割肿瘤以及合适治疗计划可以降低脑肿瘤对健康的危害。目前医生通过手动方法分割肿瘤,然而手动分割依赖于医生的临床经验,容易造成误差。而且不同的医生有不同的评价标准,这也对准确的脑肿瘤分割带来一定困难和挑战。计算机辅助分割方法分割精度高,可以为医生提供辅助性的诊断意见,有助于脑肿瘤疾病诊断和手术方案制定,从而提高治愈率。因此,研究高效且可靠的半自动或自动的计算机分割方法对于脑肿瘤疾病的诊断具有重要的临床实际意义。近年来,基于卷积神经网络的自动分割方法在脑肿瘤分割领域获得了较大的进展,但是依然存在不足。其中二维(Two dimensional,2D)卷积神经网络(Convolutional neural networks,CNNs)缺少空间信息,分割精度具有一定的局限性。而三维(Three dimensional,3D)CNNs虽然有较优的分割性能,但是其参数量过大且计算复杂度过高。针对上述问题,本文提出了一种基于3D残差卷积神经网络的算法用于脑肿瘤分割问题,该算法不但精确度高,而且具有较低的GPU内存消耗和计算复杂度。主要工作如下:1)提出了一种的编码器-解码器结构用于脑肿瘤分割。特别是我们使用轻量级卷积神经网络Shuffle Net V2作为编码器来减少参数量并获得较大的感受野。此外,引入了带有残差块的解码器来避免退化问题的发生。新颖的编解码结构仅需要较低的显存(NVIDIA GTX 1080,8GB)就能完成3D CNN实验。2)提出了一种融合损失函数用于脑肿瘤分割。由于我们所评价的数据集存在严重的数据不平衡问题,融合损失在一定程度上缓解了数据不平衡对网络的影响。同时融合损失使得训练过程波动更小并且提高了网络的收敛速度。3)提出了一种简洁但有效的后处理方法。后处理旨在修正核心肿瘤区域和增强肿瘤区域的预测标签。本文提出的后处理方法有效的修正了核心肿瘤区域和增强肿瘤区域的错误分割结果,极大的改善了网络的分割性能。4)在大脑肿瘤分割挑战赛(BRATS 2018和BRATS 2019)提供的数据集上进行训练和测试。我们使用多个评价指标从不同的角度对分割算法进行评估,实验结果显示,本文方法取得了BRATS 2018数据集下的最优结果,并在BRATS2019数据集上取得了有竞争力的结果。此外,极大的降低了3D CNN计算复杂度,节省了显存消耗。