心血管疾病是人类健康的最大威胁之一,其发病率高且致死率不断上升。通过心脏核磁共振（Magnetic Resonance,MR）图像判断心血管病情是临床中最常用的方法,而心室分割是十分必要的环节。智能心室分割提供客观的分割结果供医生参考,可以辅助医生读图及分析患者病情,降低医生的劳动强度。由于右心室结构比左心室复杂,且右心室壁比左心室壁薄,导致右心室分割难度相对大。而且在临床医学中,右心室数据集比较缺乏,这成为右心室分割精度不能进一步提升的重要原因。因此,提出一个能够生成右心室数据集的方法对于右心室分割精度的提升有着非常重要的意义。本文借鉴条件生成对抗网络（Conditional Generative Adversarial Network,CGAN）具有根据条件生成指定标签的能力,针对右心室数据集缺乏的问题,提出了多尺度卷积残差条件生成对抗网络（Conditional Generative Adversarial Network of Multi-scale Convolution ResNet,MCR-CGAN）以生成右心室标签,从而扩充右心室数据集。考虑CGAN在训练时的局限性:一是生成器仅使用单一尺度提取特征信息,造成提取的特征缺乏多样性,并在下采样过程中使用池化,导致丢失特征信息;二是生成器网络深度不够导致降低模型性能;三是鉴别器仅仅鉴别全局图像上的差异,缺少局部像素的鉴别,从而导致生成器生成的标签在局部纹理上与真实标签有所差别,影响生成标签的质量。本文提出的MCR-CGAN在生成器部分引入多尺度卷积残差模块,并利用步长为2的卷积替代池化;在鉴别器部分,MCR-CGAN添加一条上采样路径鉴别局部像素的差异;进一步针对生成标签的边缘细节依然存在像素丢失和像素奇点的问题,对目标函数做出相应改进,并在网络的末端添加有针对性的后处理对生成标签的质量进行改善。本文以CGAN作为基线模型,将所提出的MCR-CGAN与此进行了比较。相比于CGAN,在生成标签的边缘细节方面,MCR-CGAN的质量更好。为检验生成图像及标签的实际有效性,本文以密集连接的全扩展卷积神经网络（Dense Connection of Fully Dilated-convolution Network,DCFD-Net）作为测试系统,将 MCR-CGAN 扩充的数据集加入到DCFD-Net模型训练中,结果显示DCFD-Net在测试集上的Dice系数和Jaccard系数分别取得了 0.923和0.854,比扩充数据集前分别提升了 2.33%和2.7%,这验证了 MCR-CGAN扩充的数据集对于提升右心室分割精度是有效的。