目前心脏疾病不但对人类生活质量造成重大影响而且使得人类的健康面临严重威胁。因此对心脏疾病进行早期诊断及诊疗至关重要。心脏图像分割能够为医生在诊疗心脏类疾病及其病理分析过程中提供有效以及可靠的决策信息,在心脏图像的处理和分析中具有十分重要的作用。由于心脏磁共振成像(Magnetic Resonance Imaging,MRI)技术能够以非侵入的方式提供高分辨率的心脏软组织图像,以获得受试者心脏的解剖信息。心脏MRI图像已被广泛用来分割心脏器官、组织和病灶等。因为手动分割具有主观性,并且耗时,低效率,而且分割的过程不可重复。所以对心脏MRI图像的准确分割实现自动化在临床上占有重大意义。但是,因为心脏MR成像技术的特点(噪声,图像强度非均匀性等),心脏目标本身的结构特性(目标形状变化,目标大小等)以及不同患者之间心脏的差异性。心脏MRI图像自动的和准确的分割依然存在重大挑战,例如右心室(Right Ventricle,RV),左心房(Left Atrium,LA),左心房瘢痕(Left Atrial Scar)分割等。本文根据心脏MRI图像自身的特点和临床应用的需求,提出了两种基于深度学习的心脏图像分割算法:1.针对心脏MRI图像中的右心室局部弱/无边界,心室内部像素强度的非均匀性,以及右心室形状多变等分割问题。本文基于卷积神经网络提出了一种心脏右心室回归分割方法。该方法将右心室分割任务视为右心室边界若干点的回归问题。该方法使得右心室的分割仅依赖心脏MRI图像的全局信息。该方法采用卷积网络的卷积层自动学习心脏MRI图像深层的特征,然后基于学习到的特征利用全连接层回归右心室的边界点。这种分割方法提供了用点来灵活的表示心脏的形状,并且不用考虑右心室的内部像素的非均匀和局部弱无边界。实验结果表示本文提出的该方法与临床医生进行手动分割心脏右心室达成高度一致性。2.为了解决当前需要人工干预进行多步分割心房瘢痕以及小目标瘢痕分割问题,本文提出了一种端到端的心脏多目标分割方法。它能够自动分割左心房及其附着的肺静脉和心房瘢痕。该方法模仿临床医生观察影像的操作,将3D图像在横断面进行切片,最终实现在横断面上的2D分割。该方法包含两个部分:多视图学习网络,它主要是通过长短期记忆模型学习横断面切片之间的关联性,同时融入了冠状面和矢量面的信息,以弥补3D图像在切片的过程中导致其空间信息的丢失。基于多视图学习的到的增强的横断面切片特征,进而实现左心房及其附着的肺静脉的分割;注意力机制模型,它能够直接在原始图像上学习注意力权重分布图,从而对横断面的瘢痕区域的特征实现增强效果,进而使模型能够在分割的过程中关注小的瘢痕块。通过和最新的方法进行对比,该端到端的心脏多目标分割方法实现了最好的分割准确率。基于以上提出的分割方法,本文实现了心脏MRI图像的端到端的准确分割。因而能够为临床提供一种有效且准确的工具。这能够为心脏疾病的临床诊断和治疗带来便利性和提高效率。