脑胶质瘤是由于大脑和脊髓胶质癌变产生的、最常见的原发性颅脑肿瘤,其中恶性脑胶质瘤占比大且致死率高。利用磁共振成像(MRI)图像对脑胶质瘤定量分割和分级是目前诊治脑胶质瘤的主要方法。为提升脑胶质瘤的分割精度与速度,提出一种基于3D-Ghost卷积神经网络(CNN)的脑胶质瘤MRI图像分割算法:3D-GA-Unet。3D-GA-Unet以3D U-Net(3D U-shaped Network)为基础框架,设计基于3D-Ghost CNN模块,利用线性运算增加有用信息输出、减少传统CNN中的冗余特征;添加基于坐标注意力(CA)的模块,利于获取更多于分割精度有利的图像信息。在公共脑胶质瘤数据集BraTS2018进行训练和验证,实验结果表明,3D-GA-Unet脑胶质瘤分割结果的周围水肿区域(WT)、坏死核心区域(TC)和增强肿瘤区域(ET)的平均Dice相似系数(DSC)分别达到0.863 2、0.847 3和0.803 6,平均敏感度分别达到0.867 6、0.949 2和0.831 5。3D-GA-Unet能精准分割脑胶质瘤图像,进一步提升分割效率,对脑胶质瘤的临床诊断有积极的意义。