医学图像在对肿瘤患者的诊断中有很重要的作用,通过这种无创的手段可以为肿瘤的诊断和治疗提供很多的指导,从而实现针对患者情况的个性化治疗。医学图像在指导治疗方面具有很大的潜力是因为它可以提供肿瘤的综合信息并且在后续治疗中观察到肿瘤的变化,了解患者对治疗的反应和预后等。基于这一点,有学者提出用影像组学方法对大量的影像数据进行定量分析来预测肿瘤的表现型。目前,已经有不同类型的肿瘤分类及预后用基于影像组学的方法得以实现。要实现不同类型的肿瘤分类,首先都要将肿瘤从图像中分割出来。而通过手动分割的方法获取肿瘤耗时费力,因此自动而又可靠的分割肿瘤图像算法在肿瘤诊断中将有很大的作用。目前,针对图像分割的算法有多类,只能针对特定的问题来进行分割,在可靠性和速度方面都需要很大的提高才能够满足实际的需求。肿瘤的自动分割有很大的挑战性,因为肿瘤的大小,形状和位置各异,并且和正常的组织相交叠,还可能伴随着水肿。肿瘤图像的边界比较模糊复杂,内部可能会有空洞,这些都增加了对肿瘤图像进行自动分割的难度。胶质瘤是中枢神经系统中最常见而又最难治的恶性肿瘤之一,我们迫切需要一种无创而且易操作的生物标记来描述潜在的分子活动并预测治疗反应。对肿瘤进行分类后做有针对性的治疗对患者有很大的好处,医学图像能够在医务人员对患者进行诊断和制定治疗方案时提供帮助。例如对肿瘤疾病的诊断往往是依靠医生对肿瘤病变轮廓特征信息的分析来进行的,通过对病灶的形状,边界,截面面积和体积等进行测量和分析来制定治疗方案。已经有论文提出用MRI(Magnetic Resonance Imaging)等广泛使用的影像技术来提取这些肿瘤的特征并进行特定的分类。本论文研究的内容是基于深度学习卷积神经网络(Convolutional Neural Networks,CNN)和全卷积网络(Fully Convolutional Networks,FCN)来对胶质瘤图像进行自动分割。CNN是人工神经网络中的一种,是深度学习中的卷积神经网络,在分类分割与语音识别及自然语言处理等方面是研究热点。它具有权值共享的网络结构,这样既减少了权值的数量也降低了网络的复杂度。FCN是全卷积神经网络,可以将待分割图像直接作为网络的输入,自动提取图像的特征,与传统算法中复杂的特征提取和数据重建过程完全不同。卷积神经网络通过组合低层特征形成更加抽象的高层特征来发现数据的分布式特征,网络具有从输入数据中学习来对未知样本进行预测的能力。随着数据量的扩大和硬件技术的不断提高,GPU运算能力增强,深度学习有了充分发展的空间,出现了许多深度学习框架。例如,贾扬清博士写的清晰而高效的开源深度学习框架Caffe(Convolutional Architecture for Fast Feature Embedding)。Caffe支持命令行,Python和Matlab接口,可以在CPU或者GPU上运行。本文所用的是基于Caffe框架的CNN模型和FCN模型来对胶质瘤的MRI图像进行自动分割,最后的分割精度可以分别达到50.08%和83.09%。CNN模型和FCN模型都能应用在胶质瘤图像的分割中,其中FCN模型可以实现端对端的分类,输入图片的大小不再固定,输出图像与输入图像大小相同,为分类后的标签。