脑肿瘤是大脑中一种异常的组织增生,严重影响患者脑部的正常生理功能,甚至危及患者生命。基于大脑部位的特殊性,脑肿瘤治疗方案要求在对脑肿瘤进行治疗的同时最大限度保护其周边组织,尤其是重要器官和功能区免受侵害。目前,脑肿瘤诊断和定位的主要方法是根据核磁共振影像(MRI)中的图像特征进行肿瘤分割。准确的肿瘤分割结果能够为神经外科手术的术前规划提供可靠的依据,保证肿瘤切除得更彻底,指导手术过程减少对正常组织的伤害。因此,高精度的分割脑肿瘤与脑部正常组织成为治疗方案制定的关键一步。然而,MRI图像中多样的噪声,脑肿瘤病发位置、形状、纹理及结构的多样性使得基于MRI图像的脑肿瘤分割复杂多变。目前脑肿瘤分割实际应用最多的人工分割方法不仅耗时而且费力,严重依赖于专家的专业知识和经验,且存在主观差异。传统算法在脑肿瘤分割中面临难以人工设计合适的特征的困难,基于卷积网络的方法对肿瘤的模糊边界精确定位仍显不足。由于单模态MRI图像无法表达肿瘤的全部信息,本文以多模态MRI图像为基础,针对脑肿瘤分割中的难点及需求展开研究,主要的工作如下:(1)针对MRI图像中含有复杂噪声,传统算法难以设计脑肿瘤分割的合适特征,卷积网络对图像全局特征的分析能力有限的问题,本文采用一种基于卷积图论分割方法。该方法利用卷积特征提取过程,通过数据驱动学习的方法建立从MRI复杂噪声图像中提取肿瘤分割的稳健特征的模型,实现肿瘤的初步分割,并依据初步分割结果构建多模态MRI脑肿瘤图像协同分割图模型,利用图模型的全局最优求解过程,将分割问题转化为最小化损失优化问题,进一步提高卷积网络肿瘤边界的分割精度,实现肿瘤的快速精准定位。(2)为了充分利用多模态MRI图像间信息的互补性,提高卷积网络对肿瘤的精准分割能力,本文提出一种基于多通道3D增强卷积网络的脑肿瘤分割方法。该方法以多模态MRI图像为输入,利用卷积网络在对不同模态的MRI图像分别进行特征提取的基础上,采用一种中期融合策略对不同模态提取特征进行联合分析,同时通过增强特征模块,强化特征在分割过程中的有效性,实现肿瘤及其亚区四分类精准分割。最后,本文采用了MICCAI脑肿瘤数据集BraTS2017对本文提出的多通道3D增强卷积网络的脑肿瘤分割方法进行实验验证,并通过与现有的多个卷积网络模型的分割结果进行比较,论证了本文所提方法的有效性。(3)针对目前神经外科手术的术前规划系统对自动精准分割脑肿瘤的方法的迫切需要,本文开发了一套可用于神经外科手术路径规划的脑肿瘤自动分割功能模块。该模块在设计实现上述分割算法的基础上,基于VTK,Qt平台,将所提出的算法融入项目中神经外科手术术前路径规划系统的肿瘤分割模块。系统分割模块具有分割过程自动化,操作简单,可视化效果良好的特点。综上所述,本文针对基于多模态MRI的脑肿瘤分割问题,分别提出了基于卷积图割的多模态MRI肿瘤分割方法和一种多通道3D增强卷积网络的肿瘤分割方法,并给出了一个将其应用于神经外科手术路径规划的实现方案。本文工作对肿瘤分割及辅助医生进行术前路径规划的理论研究做出了一定贡献,所开发的模块在脑肿瘤的诊断和治疗过程中具有较大的实用价值。