心脏病是目前最主要的致死病因之一,超声检查在心脏病临床诊断中应用十分广泛,而多视角超声心动图序列的分割与量化在心脏病的临床诊断中起着关键作用。随着计算能力的快速发展,深度学习方法开始在医学图像处理领域展现出卓越的应用潜力。但是受制于有限的像素级人工标注数据集,大量的噪声干扰、运动伪影以及多个视角之间、不同数据来源之间的差异,多视角超声心动图序列的分割与量化工作面临很大的挑战。现有的方法大多仅关注一个视角或关键帧的分割,并涉及多步骤操作且耗时较长,有较大的局限性。本研究中,共收集了来自三家医院多种采集设备的150例异构数据,包含450个序列,总计达13500张图片,并全部完成了左心室心内膜的像素级标注。为了应对多视角超声心动图序列的分割与量化工作中的挑战与难点,本文先后提出了一种密集特征金字塔与深度监督网络模型(DSN)和一种基于循环聚合学习机制的双分支网络模型(RAN)。首先,考虑到普通时序建模的计算量较大以及循环神经网络在超声图像处理过程中噪声积累的问题,DSN采取了无需时序信息而独立处理序列中每一帧图像的策略,充分利用多层次和多尺度特征以及深度监督机制,实现无需时序信息的左心室精准分割与量化;进一步地,RAN则考虑在学习时序信息的同时抑制噪声积累问题以获得更加稳定的分割结果,采取同时利用时间-空间两个维度信息的手段,考虑数据特征,解耦出一条分类分支的辅助任务,利用双分支循环聚合学习机制充分地整合多层次和多尺度时-空特征,并借助分类分支提供的正则化,同时实现左心室的精准分割、分类与量化。大量的消融实验、对比实验、稳定性实验、噪声实验以及临床指标量化评估实验充分地验证了DSN与RAN的泛化性能与鲁棒性;实验的时间消耗统计也展现了二者具备一定的实时快速处理能力,平均每个病例数据的完整处理最多仅需6.16秒;表明DSN与RAN具有一定的临床应用潜力。