心血管疾病是最为常见、致死率高的疾病,并且随着我国老龄化人口比例的升高,心血管疾病的发病率也逐年提升,早期诊断对疾病预防至为重要。在完成左心室的心肌壁准确分割的基础上,获得心肌组织应变、应变率等指标,对进行心脏机能评估与分析是非常重要的。临床上多采用手动分割的方法,耗时长且过程乏味,分割结果也容易受到主观因素影响。因此对于超声心动图的自动分割成为该领域研究的重点。针对低对比度、高噪声的超声心动图像分割的可靠性以及准确性低等问题,提出基于YOLO V3模型实现对左心室心尖和底部三个位置以及左心室区域的定位,并生成左心室子图像;在此基础上,基于马尔科夫随机场模型对左心室子图的心肌进行初步识别和二值化;在左心室三个位置的约束限定下,结合非线性最小二乘法曲线拟合和边缘逼近,实现对左心室内膜的精确分割与提取。具体的研究内容包括以下几个方面:一、设计了基于YOLO V3模型实现对左心室心尖和底部三个位置以及左心室区域的定位。针对由于不同个体左心室形状和外观差异较大,导致不能准确识别左心室位置的问题,引入YOLO V3模型来提取左心室区域的特征,实现对左心室心尖和底部三个位置以及左心室区域的定位,并生成左心室子图像。实验结果表明YOLO V3模型具有较强提取左心室区域特征的能力和对左心室的限定约束,其四个目标区域的AP50值都在92%以上。二、提出了基于马尔科夫随机场模型的超声心动图左心室子图像二值化的算法。为了降低超声心动图散斑和噪声的影响,首先通过二维维纳滤波自适应滤波方法对生成的左心室子图像进行平滑和降噪处理;然后应用基于马尔科夫随机场模型对左心室子图的心肌进行初步识别和二值化,该算法使用迭代条件模式算法进行优化,使得能量函数取得最小值。实验结果表明,该算法具有一定的鲁棒性和更好的二值化准确性,其DICE指标值达到了0.88±0.03。三、结合了位置约束框和非线性最小二乘法对生成新的左心室子图像进行心肌区域的曲线拟合。本部分在YOLO V3模型生成三个位置约束框的限定约束下,结合非线性最小二乘法对生成新的左心室子图像进行曲线拟合,定位和限定左心室中的心肌区域。最后,在拟合曲线、提出的边缘逼近算法以及B-Spline算法基础上,实现对左心室内膜的精确分割与提取。实验结果表明,本文算法具有一定的鲁棒性和更好的分割准确性,评估指标Computation Speed（fps）,Dice,MAD,HD分别达到2.1～2.25,93.578±1.97,2.57±0.89,6.68±1.78。本课题针对超声心动图左心室定位不准确以及边缘伪影干扰等问题,提出了基于YOLO V3模型实现约束及定位的超声心动图左心室自动分割。多组实验表明,本文所提出的超声心动图分割算法具有较好的分割精度与鲁棒性,该方法特别在运算速度上具有较大优势,这对于基于超声心动图评估心脏机能所需的实时性,是非常重要的,同时该方法使用较少的训练数据就可以达到较好的分割效果,并为后续的辅助诊断工作奠定了更好的基础。