人工智能与计算机视觉近年来蓬勃发展,成为互联网行业与工业界的重要组成部分。深度学习算法,特别是卷积神经网络,在人工智能算法中脱颖而出。对于复杂数据集的分析,深度学习的效果已远远领先其他传统算法,利用深度学习来进行图像处理已成为当下的热门方法。图像分割作为计算机视觉的主要研究内容,已经应用于诸多领域,例如智能医疗,自动驾驶,室内导航,人机交互,虚拟或增强现实,机器人,图片美化,智能农业等等。越来越多的产品需要基于深度学习的图像分割算法作为技术支撑。在智能医疗领域中,医学图像分析成为当下研究热门。脑肿瘤是由于不可控因素导致细胞癌变增生而引起的一种异常组织,严重威胁人类生命健康,是医学领域难以攻克的疾病之一。将脑部核磁共振影像中的脑肿瘤各区域分割出来,判断水肿、增强、坏死等区域的确切位置,对于后期的诊断与治疗起到关键作用。传统的脑肿瘤分割方法是由放射科专家根据解剖学与病理学知识,借助特定的软件进行人工分割,为数据标注出标签。这种方式耗时耗力,标注的正确率因个人能力产生差异,并且存在不稳定性。因此,传统的脑肿瘤分割方法在分割速度、分割精度上都难以达到临床使用的需求。针对以上问题和背景,本论文完成了如下工作:1.提出一种基于路径聚合U-Net的图像分割模型,应用于脑肿瘤图像分割。传统的编解码器图像分割模型存在解码能力不足,特征聚合度不够,过度占用计算资源等问题。路经聚合U-Net图像分割模型可以增强模型中的解码能力,将更多趋于分割结果的浅层特征聚合到模型中,降低了传统深度学习金字塔模型的计算资源占用率。该模型可以提高分割精度,改善分割效果。2.提出一种基于特征挖掘网络的图像分割模型,应用于脑肿瘤图像分割。基于特征挖掘网络的图像分割模型创新性地提出了语义信息挖掘单元、宏信息挖掘单元和特征修正单元三种结构,这三个单元可以增强语义细节信息和空间位置信息的挖掘,并进一步修正信息,使特征朝着有利于分割结果的方向产生变化。每个单元都能显著提高分割性能。