膝关节是人体最复杂的关节,也是人体最容易受伤的部位之一。磁共振成像(Magnetic Resonance Imaging,MRI)是膝关节诊断的首选影像学技术。高场MRI具有很高的信噪比和分辨率,但随着场强的升高扫描时电磁场在人体内的分布不均性更加明显,膝关节组织中的局部射频功率沉积(Specific Absorption Rate,SAR)成为了需要考虑的关键指标。这就要求在已扫描的图像上建立个体的膝关节三维模型进行电磁仿真以估计局部SAR。为了重建膝关节三维模型,需要将图集中的图像的各组织区域分割出来。由于各种因素(如信噪比、人机交互工作量)的影响,传统的膝关节分割方法效果受到一定限制,因此构建三维膝关节模型较为困难。基于卷积神经网络的卓越性能在已有的膝关节磁共振图集上训练U-Net进行图像分割并分析研究后,针对膝关节磁共振图像特点与实验分析结果设计了一种基于U-Net的并联网络。将膝关节解剖结构简化为骨骼、肌肉、脂肪的模型进行标注与分割,并联结构中采用几个较浅网络分别负责分割一到两类组织,在训练与预测过程中都采用掩膜处理方式对多个网络原始输出进行融合。利用单独的子网络分割骨骼与背景有效的解决了区域纹理相似性与组织像素不平衡给训练和预测带来的影响。减小了网络训练的难度提高了分割准确性。在网络输出之后根据膝关节组织解剖特点与图像灰度分布,对输出结果进行滑动处理,修正网络融合时产生的漏分割现象与平滑区域信息量不足导致的孔洞。最后利用分割结果建立了个体的膝关节三维模型,放置于鸟笼线圈模型中进行电磁仿真,计算估计出局部SAR值分布,并于手动分割建立的标准模型作比较,验证简化模型与本文研究分割方法的有效性。实验中本文方法与手动分割最终计算出的局部SAR分布大致相同。