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。
