心脏病作为全球范围内患病率和死亡率最高的疾病之一,严重影响了患者的生活质量,同时也对各个国家的医疗体系造成了重大负担。作为临床实践中心脏功能评价的金标准,心脏磁共振图像（Cardiac Magnetic Resonance,CMR）在临床中被大量使用。特别是近年来机器学习技术的发展,使得计算机辅助诊断（Computer aided diagnosis,CAD）技术的使用通常在大量样本上可以取得整体优异表现,但现有方法通常在单个样本上的诊断结果,其可靠性并无法预知,阻碍了CAD技术在实际临床中的使用。本论文以心脏左心室解剖结构参数为量化目标,在提出基于卷积神经网络的多心室参数量化方法的基础上,对参数量化模型的样本水平置信度进行研究,以此达到在实际临床中对医师提供CAD结果的可靠性依据。本论文的研究内容主要包含以下两个部分。本论文首先提出基于深度卷积神经神经网络（Deep convolution neural network,DCNN）的CMR图像左心室多参数量化模型。该量化模型以CMR图像短轴电影序列中的三种具有临床意义的左心室参数为目标,采用多层卷积滤波模块从图像中提取心脏图像的特征表示,采用多个全连接层从特征表示中直接量化这些左心室参数。不同于现有大部分方法采用先分割后计算的方式,本模型不需要像素级别的心肌结构人工分割轮廓训练模型,只依赖图像级别的量化参数,并且得到了准确的预测结果。在此基础上,本论文提出基于贝叶斯神经网络的左心室多参数量化及其置信度预测模型。该模型从网络模型参数的不确定性和数据不确定性出发,通过蒙特卡洛特征随机丢失机制（MC Dropout）,对贝叶斯神经网络的参数后验概率进行拟合,从而在得出参数量化的同时,对模型不确定性和数据不确定性进行预测。在该模型中,本论文提出一种基于样本不确定性加权的目标函数,降低不确定性样本在模型训练过程中的作用,从而进一步提高左心室参数量化的预测精度。与前部分工作相比,该模型在提高心室参数预测精度的同时,提供了样本水平上预测结果的置信度估计。该结果在心脏参数量化模型的实际临床实践中具有重要的指导意义。通过以上两部分工作,本论文实现了CMR图像分析中不依赖于分割结果的参数直接预测方法,并且通过引入置信度加权机制,在贝叶斯网络框架下,完成了对预测结果样本水平上的置信度估计。该工作对其他医学图像CAD方法具有重要的参考意义,对CAD方法在实际临床中的使用具有重要的指导意义。