随着医学影像技术的发展,基于心脏MR(Magnetic Resonance,MR)图像左心室分割的心脏功能参数估算,对于诊断和治疗相关疾病有着重大的意义。传统的左心室分割方法存在分割准确率低或无法实现全自动分割等缺点,随着深度学习的发展,特别是全卷积神经网络在医学图像分割上的应用,心脏MR图像左心室分割的准确率也得到了大幅度的提高,并且实现了全自动分割。本文研究了基于全卷积神经网络的心脏MR图像左心室分割方法,并且针对全卷积神经网络分割结果的缺陷,提出了其快速后处理方法,论文的主要工作如下:(1)研究并分析了U-net网络在心脏MR图像左心室分割上的表现。介绍了U-net网络的结构和特点,尝试在U-net网络中加入批量归一化算法并采用基于Dice系数的损失函数对U-net网络进行训练。随后介绍了公开的左心室分割数据集Sunnybrook数据集,将该数据集随机分为训练集、验证集和测试集作为本文的训练和测试数据。在实验结果中,U-net网络在测试集取得了0.892的Dice系数、0.893的召回率和0.921的准确率。(2)针对U-net网络在心脏MR图像左心室分割当中存在的不足,研究了改进的U-net网络。主要对以下这三个方面进行了改进:采用了多输入多输出的网络结构解决因最大池化造成的图像空间细节丢失的问题、在跳跃连接中添加了注意力模块抑制非左心室区域对分割结果造成的影响、训练网络时采用了基于Tversky系数的损失函数,解决左心室在心脏MR图像中占比较小的问题。通过实验分析了不同的改进方法对分割效果产生的影响,从测试集的分割效果上来看,改进的U-net网络相比于基于Dice系数损失函数训练的U-net网络,Dice系数提高了3.3%,Recall值提高了4.8%。(3)由于U-net网络输出的是每个像素点属于左心室的概率,需要对概率值进行二值化,常见的二值化的方法是直接将0.5作为左心室和非左心室的阈值对输出的概率图进行二值化,这样的处理方式将导致有些分割结果的边缘不光滑或出现噪声点。针对这一问题,提出结合图像形态学操作与图割算法的U-net网络分割结果快速后处理方法。利用图像形态学操作去掉U-net网络分割结果当中大部分不需要图割优化的区域,从而减少图割算法的运行时间。图割算法结合U-net网络的输出概率图和像素点邻域范围内的灰度特征,构造出能量函数,建立图模型,通过最大流/最小割算法求解出能量函数的最小值,并得到二值化的分割结果。相较于直接按照0.5的阈值对概率图进行二值化的方法,图割优化后的分割结果的边缘更加接近真实情况,具有较高的运算效率。