心房颤动使人体容易形成血栓,造成血管堵塞,增加心脏衰竭和中风的概率,导致更高的发病率和死亡率。对心房的解剖结构缺乏更深入的了解是心房颤动临床治疗效果不佳的重要原因。虽然通过手动分割图像能重建心房以探索其结构,但需要专业的领域知识与大量的人力成本。因此,利用计算机智能化分割医学图像中的心房以辅助医生治疗心房颤动有重大意义。本课题的主要研究内容是基于深度学习对MRI图像中的左侧心房实现全自动分割。论文的主要算法共分为两部分,第一部分研究一种双U结构的嵌入式模型,先利用残差思想构造U形上、下采样模块,将其作为模型的编码器与解码器,然后互连模块以形成多条从输入到输出的路径,增加模型的信息传输能力。在测试集上的性能对比说明该算法能有效提高模型的分割准确率。第二部分提出将注意力机制引入编码器-解码器结构的模型,包括使用全局平均池化的位置注意力模块提升模型捕获上下文特征的能力,使用通道注意力模块强弱化对特征图通道的选择以及二者组合形成的混合模块获取混合特征。最后,引入一个边界分割网络辅助分割以提升模型对左侧心房边界像素的分类能力。此外,多路径结构为模型的训练阶段引入两种类型的加权平均损失函数,提升训练效果。通过实验,以U-Net模型为基础,依次加入注意力机制,编码器的预训练以及边界分割网络,模型的性能逐渐提升。在MRI左侧心房分割数据集上利用UU-Net模型与混合特征网络的分割结果的Dice评价指标分别为0.8764与0.8841,以及预测结果与人工分割的三维重构对比表明,两种模型都能达到的左侧心房分割的基本要求,对辅助医生分析左侧心房图像及制定治疗房颤的方法有一定的参考意义。