脑肿瘤早期诊断对治疗的改善和患者生存率的提高起着重要的作用.但脑肿瘤很难通过侵入性的检查来诊断,因此医学影像学手段成为了最直观的辅助脑肿瘤诊断方法.在各种影像学方法中,MRI作为一种应用广泛的医学影像学技术,对软组织的分辨率高,无骨性伪影,可以生成各种截面影像,甚至直接生成三维图像,因此在脑肿瘤的辅助诊断中具有很大的优势.脑肿瘤MR图像的分割,是指将脑肿瘤组织在MR图像上从正常的组织(包括脑灰质、脑白质、脑脊液等)中分割出来,并进一步分割其亚结构(包块水肿、坏死、增强和非增强的肿瘤核)的技术.脑肿瘤及其亚结构MR图像的分割对脑肿瘤的诊断、治疗和评估有着十分重要的作用.随着脑肿瘤发病率的增加,需要进行脑肿瘤分割的MR图像越来越多,但手动操作费时费力,且没有可重复性.因此,对半自动甚至全自动分割脑肿瘤MR图像算法的研究具有十分重要的意义.在这样的背景下,本文从对众多脑肿瘤MR图像分割算法的深入了解出发,重点研究了基于CNN的脑肿瘤MR图像分割方法,并提出了一种结合CRF的改进DCNN方法.本文的核心工作有以下几点:1、系统介绍了一些常见的脑肿瘤MR图像分割算法,包括非学习的基于阈值、边界、区域、变形和小波变换的分割方法,以及基于机器学习的模糊C均值聚类、马尔科夫随机场、支持向量机和随机森林方法.一方面掌握这些方法基础的原理,另一方面了解最新进展,并总结了各种方法的优势与不足.2、深入研究了用于图像分割的CNN.从参数初始化、激活函数、池化、损失函数、参数的优化以及其他细节等方面进行分析,并研究了适用于图像分割的FCN.探讨CNN在这些方面的各种实现方法,选择合适的方法来进行进一步的实验.3、提出了一种结合条件随机场与DCNN的脑肿瘤MR图像分割方法.首先通过空洞空间金字塔池化结构来构建一个分割网络结构获取多尺度信息;然后通过一个条件随机场来获取像素间的关系信息;最后通过级联结构有层次地分割.因此本文方法能更好地获取多尺度和像素间的信息.实验结果表明:相较于不使用这些方法的DCNN,分割精度具有明显的提升.但本文方法仅局限在二维平面内,因此仍有很大的改进空间.