脑海马体结构状态在阿尔茨海默症等神经退行性疾病诊断中起着关键作用。脑海马体的体积与形态的变化是阿尔茨海默症的早期检查指标,诊断脑海马体病变的主要方式是核磁共振技术。从人体脑部MR影像中准确、高效地分割脑海马体,能够提高医生诊断的准确性和速度。虽然已有很多研究关注于脑海马体的自动分割,但由于MR影像中脑海马体与其他组织间对比度较低,并且脑部MR影像自身存在大量噪声,因此目前大部分脑海马体分割算法的结果准确性较低,不能达到临床计算机辅助诊断的性能要求。本文着眼于脑海马体组织准确、高效的自动分割算法研究,以获得具有临床实际应用价值的分割结果。本文提出了一种基于深度神经网络的脑海马体分割算法,该算法主要包括两个阶段。首先基于深度神经网络对脑海马体进行初分割,在对样本数据完成裁剪预处理,得到脑海马体区域后通过基于几何变换的方式完成对样本数据的扩展,然后利用基于改进的U-Net深度神经网络模型实现对脑海马体初分割;在此基础上,将深度神经网络模型得到的初分割结果与原始脑部MR影像相结合,得到水平集曲线演化的初始轮廓,使用基于水平集计算法的局部二值拟合模型,通过水平集曲线演化获得脑海马体的精确分割结果。本文将深度神经网络与水平集模型相结合,将初分割结果作为水平集曲线的初始轮廓,有效克服了传统水平集模型对初始轮廓敏感、计算代价较大等问题,可获得精度更高的分割结果。在上述理论研究成果基础上,开发实现了一个脑海马体分割原型系统,可用于临床辅助诊断和更进一步的算法研究。本文通过对比试验,将所提算法与其他经典水平集模型等算法进行了对比分析,实验结果表明,本文所提算法能够实现脑海马体快速、准确的分割。