有关前列腺内部解剖结构及其体积的信息可以用来提高对前列腺疾病的诊断性能,并由此改善其他相关的临床工作的质量,例如前列腺癌的分期和选择适当的治疗方法等。上述工作的一个必要条件是对前列腺的准确分割,这对于强大的计算机辅助疾病诊断系统是非常重要的。因此,本研究提出了一种在MR图像中自动分割前列腺的算法。为此目的,本文对腹部T2加权MR图像开展了研究。提出方法结合了两种算法,一种是U-Net卷积神经网络,一种有监督的机器学习算法,另一种则是模糊c均值(FCM)算法。本文设计的UNet由深度为7的编码器-解码器(即下采样-上采样结构)网络体系结构组成。为了提高网络性能,对采集的数据进行了扩增,利用原始的1200幅MR图像扩增为150k幅用于训练的MR图像。这些扩增后的数据和标签的大小标准化为256 x 256,并分别为模型训练和模型验证提供了两组数据,各自占总数据的90%和10%。随后从输入数据中提取多个特征用来训练分类模型。该模型能够用来预测2D前列腺MR图像中的前列腺像素。通过对神经网络的参数调优,训练数据库上的分类精度可达0.91,而验证数据上的精度为0.84。当使用30张T2加权MRI图像进行评估时,模型获得的Dice相似系数(DSC)得分的平均值、中位数和标准差分别为0.85、0.88和0.05。对本文提出的增强型U-Net模型和现有的U-Net模型之间进行了比较,结果表明,本文所提出的方法能够在磁共振图像中精确地分割出前列腺。上述结果都是使用医学图像计算和计算机辅助干预(MICCAI)研讨会的公开数据集完成的,对本文提出的算法进行了分割性能的评估。