摘要目的研究和搭建人工智能深度学习网络，在两个公开的大脑MRI图像数据集上实现高准确率的MRI脑肿瘤的四分类。材料与方法提出一种多尺度残差网络的MRI脑肿瘤分类模型，实现脑肿瘤的四分类任务。模型包括多尺度输入、改进残差、下采样和双通道池化共四个模块。将Kaggle中正常人和Figshare中肿瘤患者的脑部MRI图像进行数据集组合，对提出的模型进行训练和性能评估，优化网络超参数，提高分类准确率。结果在352张MRI图像上测试模型，仅使用多尺度输入模块时，得到平均分类准确率为96.59%。添加下采样模块后，准确率达到98.58%。对比最大池化、均值池化和双通道池化，准确率分别为96.02%、97.16%、98.58%。多尺度残差网络对脑肿瘤具有很好的分类效果，对胶质瘤、脑膜瘤、垂体瘤和正常无肿瘤图像的分类准确率分别为99.14%、99.14%、99.42%和99.42%。结论MRI是一种典型的检查脑肿瘤的医学成像方法，但放射科专家手工对脑肿瘤进行准确分类极具主观性和不确定性。提出的多尺度残差网络能为脑肿瘤自动分类提供有效的方法，且该网络提高了MRI脑肿瘤分类的准确率，很好地解决了梯度消失问题，提升了模型的泛化能力。
