随着CT技术的发展，心脏4DCT已经成为心脏疾病诊断的重要手段，它能够反映整个心跳周期中心脏的位置及形态变化。左心室的形态和运动异常是心脏病诊断的重要依据，而左心室心肌的分割是研究左心室功能的基础和关键，因此在心脏4DCT图像上分割左心室心肌具有重大现实意义。因为心脏4DCT图像中左心室心肌与周围组织边界不清晰且在整个图像中所占比例小，所以左心室心肌的分割是一项具有挑战性的任务，传统的图像分割算法很难取得较好的效果。针对心脏4DCT图像中左心室心肌的特点，本论文基于图谱和图像配准技术研究4DCT中左心室心肌的分割算法，主要工作和贡献如下:
　　针对左心室心肌在心脏图像中占比很小，而全局配准无法突出感兴趣区域的实际，本论文提出一种两阶段配准策略分别实现包含左心室心肌的感兴趣区域的粗定位和左心室心肌的精细配准分割。第一阶段利用一种参数化全变差非刚性图像配准方法，将4DCT中己分割的0％时相的图谱图像全局粗配准到其它时相的图像，利用图谱标签的映射实现对感兴趣区域的定位;第二阶段利用同样的配准方法对提取出的感兴趣区域进行局部细配准，利用图谱标签映射完成最终的分割。实验结果证明:在增加了少量的运算时间之后，本论文所提的算法能够有效地提高左心室心肌的分割精度。
　　除了以上方法，本论文还提出了一种基于卷积神经网络配准和校正学习的左心室心肌分割方法。该方法首先通过降低图像的分辨率，减少神经网络所需的计算成本和存储需求。然后在低分辨率空间训练了一种弱监督卷积神经网络，实现己分割的0％时相图像与其它时相图像的配准。通过在神经网络损失函数中引入由三维Sobel算子提取的边缘信息，迫使网络在训练过程中逐步实现分割结果边缘与对应金标准边缘的相互逼近，实现更高的分割精度。接着通过插值，将分割结果放大回原始分辨率，利用校正学习纠正由于图像分辨率的降低以及其它因素带来的系统误差，从而得到最终的分割结果。实验证明:通过在卷积神经网络中引入边缘信息，分割精度得到了显著提高;通过使用校正学习，即使在低分辨率下进行配准运算也可以得到与原始分辨率下相近的分割结果，并且降低图像的分辨率还可以降低显存需求，提高算法效率。