脑肿瘤是一种发生在人脑组织中致死率极高的癌症。及早地发现脑肿瘤对疾病预防与后续治疗起着至关重要的作用。磁共振成像是一种无创无辐射的影像技术，具有软组织对比度高等优势，成为诊断脑肿瘤的主流成像技术。随着医疗大数据时代的到来，蓬勃发展的人工智能为快速、精准、自动分割脑肿瘤病灶提供了强大的技术支持，减轻医生手工标注肿瘤区域的负担，大大提高了发现肿瘤的效率。现有的人工智能主流方法通常使用机器学习理论及技术构建脑肿瘤自动分割处理流程。然而，运用机器学习方法需要从海量的源数据中提取某种能够表征该数据分布的模式。模式的优劣直接影响到分割模型的最终性能。人工设计一种优秀的模式提取方法需要丰富的交叉学科经验知识。这阻碍了人工智能技术在医疗事业的普及，并且过多人为干预的模式提取方法往往具有一定的局限性。针对以上问题，自主模式提取与分析一体化的深度学习思想为实现脑肿瘤自动分割提供了一个重要的研究方向。但是，磁共振影像中存在的强度不均、噪声干扰、对比度弱以及肿瘤病灶外观不规则、大小不一样等问题，为基于深度学习技术的脑肿瘤研究带来挑战。
　　本文以脑肿瘤磁共振影像数据为研究对象，针对上述磁共振影像普遍存在的问题，使用深度卷积神经网络，以期能构建强鲁棒、高精度的脑肿瘤自动分割方法。论文的主要贡献包括以下几个方面，其中头两个工作是设计新的网络结构来实现脑肿瘤自动分割，属于结构创新；而第三个工作是结合不同领域的方法分割肿瘤病灶，属于方法创新：
　　①传统基于深度卷积神经网络的脑肿瘤自动分割方法中存在的两个问题：反复滑动的池化操作导致空间信息丢失，多尺度病灶的弱处理能力。针对这两个问题，本文首先提出了一种以单步长的3D空洞卷积代替池化运算构建主干网络进行特征学习。然后设计了一种3D空洞卷积特征金字塔添加到主干网末端来融合上下文信息，该金字塔结构提升了整个模型的判别能力，并可以分割各种大小的肿瘤。最后，使用3D全连通条件随机场作为后处理方法对网络的输出结果进行提炼以获得外观与空间一致性的结构化分割结果。大量的消融实验以及与前沿方法的对比，充分表明本文提出的方法具有一定优势，能够有效解决上述传统卷积神经网络分割脑肿瘤存在的问题。
　　②现有的基于磁共振影像数据的深度卷积神经网络方法在自动脑肿瘤分割上取得了较大进展。但是，通过简单堆叠卷积层构造的深度卷积神经网络会产生一些影响分割效果的问题。这些问题可以归结为两个方面，即梯度爆炸/消失以及局限性的特征计算。为了解决这两个问题，本文提出一种新的集成特征复用与多尺度信息融合的框架来自动化分割脑肿瘤。首先，使用一种3D稠密连接架构来构建主干网络进行特征计算。其次，使用3D膨胀卷积设计一种新的恒等尺寸特征金字塔模块，并将其添加到主干网末端用于融合多尺度上下文信息。最后，提出一种3D深度监督机制来改进网络的训练。对比实验结果表明本文提出的网络结构能够有效地缓解深度结构带来的训练困难以及无法复用各层次特征问题。
　　③由于磁共振影像中脑肿瘤不规则的外观形态和浸入式的生长方式，肿瘤病变区域与正常组织区分度不高。此外，因肿瘤的异质性，利用传统的特征提取方法得到的正常区域特征与病变特征具有一定的相似性。因此，本文从统计学角度出发，将肿瘤分割定义为一个最大后验概率问题，利用偏微分方程理论方法，结合期望最大化算法提出一种融合高斯混合模型与马尔科夫随机场的变分水平集脑肿瘤分割算法。同时，利用深度神经网络强大的表征学习能力，设计了一种集成卷积神经网络与门控递归单元的深度混合网络来实现提出的算法。充分的消融对比实验验证了本文方法中各个重要组成部分的有效性；与前沿方法的对比结果表明，本文提出的混合网络在公开数据集的测试中能获得较好的分割效果，具有一定的优势。