心脏磁共振(Magnetic Resonance,简称MR)图像的自动量化分析对心脏疾病的早期检测和诊断具有重要的临床意义。在早期的临床实践中,对心脏MR图像的定量分析是以人工的方式获得的,即通过计算临床工作者们手工描绘的心脏轮廓边界来获得相关临床指标。然而,这种人工的方式在面对海量的医学影像数据时,既耗时又无法保证获得结果的准确性。因此,对心脏MR图像进行定量分析的自动化算法的研究是迫切需要的。此外,心脏MR图像存在结构复杂、灰度分布不均、边界模糊等难题,这也给图像的量化分析带来不小的挑战。采用基于端到端的深度学习技术来直接对心脏MR图像进行量化分析是目前较为流行的趋势。本论文主要针对心脏MR图像的自动量化分析,提出了基于深度学习技术的深度神经网络模型算法,相关研究内容如下:基于深度多任务网络的左心室MR图像直接量化算法。在创新性方面,我们借助分割来对原始心脏MR图像进行数据优化。因为相比于原始图像,分割后的二值轮廓图像丢弃了原始图像的背景干扰信息,这样经过神经网络预测的量化结果更为精确。在网络设计方面,首先,我们设计了一个分割网络对图像进行分割,该分割网络采用的是目前较为流行的编码器/解码器结构。它一方面对输入的原始图像进行下采样,生成分辨率较低的特征映射,另一方面通过上采样可以将特征还原为全分辨率特征图。其次,将分割后的二值轮廓图像作为量化网络的输入,并通过融合多个卷积神经网络(Convolutional neural network,简称CNN)模型的输出来获得更多有效的图像特征。最后,结合长短时记忆网络(Long short-term memory networks,简称LSTM)来捕捉心脏MR序列图像的动态形变信息。我们所设计的这种架构考虑了图像分割和量化分析这两个任务之间的联系,不仅实现了图像的自动分割,还利用图像分割的结果引导图像的量化分析,使得心脏MR图像的自动量化结果更加准确。基于以上提出的自动分割和量化方法,本文实现了对心脏MR图像准确的自动分割和量化分析。在145个病人的2900张心脏MR图像上的实验结果表明,我们提出的框架(Indices-JSQ)不管是对于图像的自动分割还是量化分析方面都具有优异的性能。其中,在分割性能上,骰子度量(Dice metric,简称DM)指标达到了0.87。在量化性能上,心肌层面积(A-myo)和心腔面积(A-cav)指标的平均绝对误差(Mean absolute error,简称MAE)为157mm~2,心腔上三个不同方向的直径(dim1,dim2,dim3)指标的MAE值为2.43mm,心肌层上六个不同方向的室壁厚度(Regional wall thicknesses,简称RWTs)指标的MAE值为1.29mm。实验结果表明,Indices-JSQ将会使得临床工作者们对心脏疾病的早期检测和诊断工作变得更加高效与便捷,同时在未来也具有广阔的临床应用前景。