心房颤动(简称房颤)是临床上常见的心率失常疾病,发病机理与左心房纤维化关系密切。延时增强MRI能够较好地表达心房壁区域及心肌纤维化的分布情况,因此在房颤消融手术中得到了广泛应用。在延时增强MRI图像中准确分割左心房并对心房壁纤维化组织进行量化分析,能够为消融手术提供重要的诊疗参考。本文具体工作内容如下:首先,提出基于高斯混合模型和水平集算法的左心房分割方法。在无标注的临床数据上,通过基于心脏中心的图像增强提高方法的鲁棒性,利用结合区域信息和边缘信息的水平集提高方法的分割精度。实验结果表明,利用该方法,对四例临床病例总共96层含有左心房的图像中,在无人工介入的情况下,可完成55层左心房的准确分割。其次,提出结合卷积神经网络和循环神经网络的分割方法。在有标注的公开数据上,在U-net和Convolutional LSTM的基础上,通过对模型容量、模型结构和损失函数的改进,使得该方法更加适用于左心房分割。实验结果表明,在公开数据集LASC和2018 Atrial Segmentation Challenge各二十例测试图像上,该方法均能达到0.9以上的平均Dice系数,且每例测试图像的计算时间小于30秒。然后,进一步结合水平集方法和深度学习,设计半监督学习方法。通过少量有标注数据完成神经网络的预训练,在无标注数据上以神经网络的预测结果作为水平集的初始化,再将水平集的演化结果作为优化的监督信息来指导神经网络的更新,提高其分割效果和泛化能力。实验结果表明,在公开数据集上,该方法能够通过无标签数据的引入,实现测试集平均Dice系数约一个百分点的提升。最后,提出基于图割算法和连通性分析的心房壁纤维化组织量化分割方法。在左心房分割的基础上确定心房壁区域,通过纤维化组织的灰度和形态学特征,构建图模型,利用连通性分析作为后处理,提高分割的准确性,并计算纤维化组织在心房壁中的占比作为量化指标。实验结果表明,在准确的左心房分割基础上,该方法能够完成纤维化组织的分割和量化,分析结果有助于建立数值化的评价标准。