近年来,心血管疾病的患病率以及死亡率越来越高,已严重威胁到人类的健康,这就要求医生能及早诊断出心血管疾病,为患者的后期治疗赢得时间,而左心室超声图像的分割结果可以辅助医生对心血管疾病进行诊断,但左心室超声图像具有强噪声、弱边缘、组织结构复杂等特点,使得图像分割存在难度大、效率低、精度差等问题。基于此,本文提出了一种基于深层聚合残差密集网络的左心室超声图像分割算法,其研究内容主要包括图像预处理、分割网络的设计以及分割系统的实现。(1)为了降低左心室的周围组织(脂肪或肺等)对超声图像分割的影响,本文采用传统的阈值分割方法定向裁剪图像。首先,对左心室超声图像进行像素统计,并根据统计得出的阈值将图像二值化,用于区分左心室超声图像中的背景、左心室、肺以及脂肪等区域;然后,使用形态学处理(开操作、腐蚀,闭操作)删除二值图像中的干扰块并填充其闭合区域,使得图像中相邻的区域联通到一起,减少了二值图像中联通组件的数量;最后,通过先验信息锁定目标轮廓,确定左心室在超声图像中的区域,并根据确立的目标范围对左心室超声图像进行裁剪。(2)为提高网络的分割精度,本文在基于编码-解码框架的神经网络基础上,引入残差密集网络对左心室超声图像进行分割。首先,结合残差学习与密集连接的优点,设计残差密集块提取图像特征,并将其引入编码-解码网络的上采样与下采样通道;然后,通过网络结构差异性对比实验,确立适用于左心室超声图像的分割网络深度;最后,利用全连接条件随机场对结果进行后期处理,进一步提高网络的分割精度。主、客观对比实验表明,所提算法在本文数据集上获得较好的分割性能。(3)为进一步提高残差密集网络的分割精度与泛化性能,提出了一种深层聚合残差密集网络的左心室超声图像分割算法。首先,基于残差密集网络构建下采样通道用于提取图像特征;然后,将下采样过程中得到的层次信息通过深层聚合的方式紧密融合到一起,有效提高网络的分割精度;最后,通过网络深监督的方式为网络剪枝,精简网络结构,提升网络运行速度以及泛化性能。主、客观实验结果表明,左心室超声图像分割的平均精确率达到95.68%、交并比97.13%、相似系数97.15%、平均垂直距离0.31mm以及轮廓产出比99.32%,与现有的分割算法相比,所提算法对左心室超声图像可实现较高精度的分割。(4)为了促进左心室超声图像分割算法在实际中的应用,在本文所提分割算法的基础上,设计了左心室超声图像分割系统,系统在Ubuntu操作系统下使用Pycharm工具进行实现。系统在心脏收缩舒张的一个周期内,抽取了21张左心室超声图像进行分割,实验结果取得了较高的准确率和轮廓产出比,验证了本文所提算法的可行性。