近年来随着医学设备的发展及成本的降低,医学图像分析在疾病诊断、诊治方案策划、病情监测等方面起着重要的作用。其中医学图像分割作为医学图像分析和处理中的一个重要环节被广泛关注和研究。脑图像解剖区域的精确标注对于核磁MR(Magnetic Resonance)脑图像的定量分析起着重要的作用。在临床试验中,一般通过人工手动的方式在脑图像中标注兴趣区域,但这种方法效率低且分割结果大多不可重复。近年来,许多研究提出了自动分割方法对脑图像进行分割。其中多图谱图像分割方法MAP(Multi-atlas based Brain Image Parcellation)是最成功的方法并被广泛应用。其主要的思想是将多个包含有手动标注脑区域标签的脑图谱分别配准到新的待分割脑图像;配准之后,每个脑图谱中的解剖区域标签会传播到该待分割的脑图像中,最后通过标签融合得到最终的分割结果。显然,图像配准在MAP中起着关键作用,但是配准算法对图像的质量以及大脑结构的个体差异非常敏感,而且配准时间较长。针对上述问题,本文提出一种使用全卷积神经网FCN(Fully Convolutional Network)和多图谱信息的MR脑图像区域分割方法。提出了两种基于FCN的MR脑图像区域分割方法:(1)本文提出了一种人工选择脑图谱的GAN(Generative Adversarial Networks)来提高自动和鲁棒的脑图像区域分割。在该方法的GAN中,一个带有多级特征跳级连接的3D FCN作为生成模型,一个3D卷积神经网络CNN(Convolutional Neural Networks)作为判别模型。实验结果表明,该方法中的GAN能实现比MAP更加精确、鲁棒和有效的脑图像区域分割。(2)为了充分利用多图谱中的先验信息,本文对(1)中的生成模型进行了改进。通过将SENet(Squeeze-and-Excitation Networks)中的SE模块整合到前一工作的GAN框架中,实现网络自适应地选择对当前待分割脑图像最适合的多图谱信息,消除了前一工作中预先手动选择多图谱所可能产生的误差。实验结果显示,该方法对于脑图像的区域分割精度优于(1)中方法。