根据世界卫生组织报道,心血管疾病(Cardiovascular Diseases,CVDs)成为了威胁人类健康的主要疾病之一。针对心血管疾病的提前诊断与治疗成为了全球的研究热点问题。由于心脏MR图像具有无创性、对比度高等优点,因此被广泛应用于心血管疾病的早期诊断与治疗中。临床医生依据心脏MR图像分割结果可以获取重要的心脏功能参数。然而在现实医疗中,分割通常由有经验的医生手动完成的。手动分割不仅耗时耗力而且具有很大的主观性,所以高效准确的心脏MR图像自动分割方法的研究具有重要意义。本文以心脏短轴核磁共振图像为基础,在分析了传统算法用于心脏MR图像分割局限性的基础上,分别提出了两种基于深度学习的改进方法。主要工作展开如下:1、在传统图像分割算法中,依次使用阈值分割算法,区域生长算法,K-means聚类算法,完成心脏MR图像的分割任务。根据实验结果分析了传统算法在心脏MR图像分割任务上的局限性,传统分割方法在心脏MR图像分割时容易出现过分割、欠分割现象,而且分割结果准确性较低。2、基于深度学习U-Net网络,本文提出了一种改进的自动分割左心室内膜和外膜的网络框架,该框架使用与U-Net类似的全卷积神经网络结构,能够自动的从心脏MR图像中分割出左心室内膜和外膜。为了克服类的不平衡问题,本文提出了一个改进的损失函数,来替代传统的交叉熵损失函数,传统的损失函数容易导致模型出现学习偏差。改进的损失函数在提高了模型的整体精度地同时也减小了交叉熵造成的学习偏差。改进的方法与传统的方法相比,获得了很好的分割精度。3、在心脏MR图像分割任务中,本文以Dense U-Net作为基础网络结构。为了减少网络参数计算和内存占用并且不影响输出的分割质量,本文改变了Dense U-Net网络中的跳层结构,从下采样路径到上采样路径的跳跃连接采用元素级加法操作替代直接的特征拼接,并通过投影操作匹配特征通道的维度。在Dense U-Net上采样路径中,通过引入残差网络的短路连接方式来更好地利用浅层网络中的信息。除此以外,在网络的初始层加入修正的Inception结构来替代3×3的卷积操作扩大了模型的感受野。最后,形成了改进的网络。通过实验对比分析发现,改进的网络提高了分割精度,并在Dice指数和APD两个指标上达到了良好效果。