前列腺癌是威胁男性健康的常见疾病之一。放射治疗是前列腺癌的主流治疗方法,其基础和前提是对病变部位及其周围正常组织的准确定位和分割。磁共振成像(MRI)因其非接触、无痛苦等优点已成为现代医学中诊断前列腺疾病的辅助工具。前列腺体积较小,周围感兴趣区域(目标区域)对比度低,器官组织间的边界比较模糊,不容易区分;此外,每个病患的前列腺的形态结构和病变情况存在个体差异性,给医生的诊断和分析带来了一定的困难。对目标区域进行手工分割是目前临床常用手段,但分割结果受医生主观因素影响较大,且需消耗医生大量时间,存在一定的效率局限性。因此,研究一种能够精确自动分割前列腺MRI的图像处理算法,对于前列腺癌的诊断分析和临床应用具有重要意义。现如今,在大数据时代的背景下,深度学习逐渐演变为人工智能领域的重要研究方向,同时在医学图像处理上得到广泛的应用。本文将卷积神经网络应用到医学图像的处理上,提出三种基于深度学习的前列腺MRI分割模型,使分割的精度在传统方法的基础上得到较大的提高。本文提出的第一个前列腺MRI分割模型——PSP-Net。PSP-Net利用改进的残差网络提取全局的特征图,在此基础上,应用“金字塔场景”模型中分层提取特征思想,用不同尺寸的卷积核提取分层的特征,最后将这些分层特征与全局特征融合起来,得到具有鲁棒的特征图。在基于U-Net网络基础下,提出了两种基于改进U-Net网络的前列腺分割模型(Res U-Net模型和3D U-Net模型)。受到残差结构带来的优越性启发,Res U-Net在原有网络的基础上引入残差结构,构建网络层数更深的分割网络,并且在扩张路径方向同样引入残差结构,使网络层数增加的同时依然保持较高的训练效率,分割精度达到提升。3D U-Net则考虑MRI数据的三维特性,将二维的深度学习网络拓展到三维的深度网络,使网络能够直接处理三维的MRI数据。该模型从不同的路径出发,每个路径的感受视野不一样,分别实现对同一特征不同程度的提取,力求获得更细节、更具全局信息的特征图。实验结果表明,本文提出的分割方法使MRI中前列腺分割精度明显提高,分割精度达到89.98%,较好的实现了前列腺MRI图像的自动分割。