心血管疾病是威胁人类健康的几种重要疾病之一,不少家庭因此病而家破人亡、妻离子散,所以尽早发现并且及时治疗对于病患来说很重要。通常临床医生会根据心室的分割图像来推导心室体积、射血分数、心肌质量等临床参数,有了这些参数就可以定量分析患者的心功能是否正常。由于右心室结构比左心室复杂,而且右心室壁比左心室壁薄,使得右心室很容易与周围组织混在一起,因此右心室分割一直是比较困难的,且专门针对右心室分割的文献又比较少,所以本文主要对右心室分割问题展开研究。传统的右心室图像分割方法需要有经验的医生作为指导,分割过程费时费力,且分割效果还与医生的经验有关,导致分割方法很难在精度高的前提下又具有良好的泛化能力。因此提出一种分割精度高、速度快、泛化能力强的右心室分割算法有着非常重要的意义。本文在分析了国内外现有的右心室分割算法的缺点后,以Unet网络和密集连接网络为基础提出了两种改进网络。其中基于Unet的改进网络通过使用samepadding的扩展卷积解决了网络感受野较小,网络输入输出图像大小不一致等问题。另外根据实验图像大小,去除了一个上采样层和一个下采样层,减少了网络的运算量。为了提升网络的训练速度又在网络中加入批量归一化层。考虑到右心室的像素数量占整张图像的比例较小,像素交叉熵的损失函数又不能从整体上评估分割效果,因此使用软戴斯系数的损失函数代替像素交叉熵的损失函数。尽管改进的Unet网络分割精度得到了提升但是还没有达到预期的效果,所以又借鉴了密集连接网络的思想构建了一个12层全卷积神经网络,并且把前面实验用到的扩展卷积层,批量归一化层,也应用到了该网络中。实验结果表明改进的密集连接网络训练参数为0.2M小于Unet网络的1.9M、Unet改进网络的3.6M,而其分割的Dice得分为0.91高于Unet网络的0.83、改进Unet网络的0.86。该算法的鲁棒性相对于传统算法更是有了不少的提升。