近年来心血管疾病已逐步演变为高发疾病,是非传染性疾病致死的首位病因。在以心脏磁共振(Cardiac Magnetic Resonance,CMR)图像为基准进行心血管疾病的临床诊断中,心肌的精确定位和分割起着重要的辅助作用。通过心肌定位和分割结果,可测算出心肌厚度、射血量等心功能评价指标从而实现快速诊断。由于CMR图像中存在低对比度、心肌组织与周边环境边界模糊、右心肌复杂且形状不规则等特点,给心肌的精确定位和分割带来了很大的挑战。传统的方法大多需要人工参与,同时很难取得良好的心肌定位分割精度及效率。因此,实现高精度高效率的全自动心肌定位和分割算法的研究具有重要的科学意义和临床应用价值。针对国内外现有心肌定位和分割算法中存在的问题,本论文提出了两种不同的深度学习框架来实现心肌的定位和分割:基于Faster R-CNN+ISU-Net的心肌定位和分割、基于BR-Mask R-CNN的一体化心肌定位和分割。论文的主要内容及贡献如下:1、提出了基于Faster R-CNN+ISU-Net的心肌定位和分割框架。首先使用Faster R-CNN实现心肌的定位,Faster R-CNN算法在这一任务中表现出了良好的定位性能,在测试集中的定位精度m AP可达99.96%,无一漏检和误检。针对心肌分割提出一种更适用于CMR数据集的ISU-Net算法,该算法通过将U-Net网络减少下采样模块并添加批归一化(Batch Normlization,BN)层以增强网络的泛化能力,缓解心肌误分割现象,并借鉴Inception模块的思想以较低的计算成本实现多尺度的特征融合,提高网络的分割性能。基于Kaggle竞赛心肌数据集的实验结果表明,该模型能在大幅度减少参数计算量的同时,达到73.38%的DSC分割精度。2、提出了基于BR-Mask R-CNN的一体化心肌定位和分割框架。首先,在Mask R-CNN的特征提取网络Res Net-FPN中添加自下而上及横向短路连接的特征融合路径,增强底层特征在特征层次中的作用,更好的恢复了图像的浅层细节特征信息,并利用残差连接的思想在Mask R-CNN的Mask分支中添加边界细化BR模块,对生成的掩膜边缘进行细化,以获得更精确的目标掩膜。基于Kaggle心肌测试数据集的结果表明,定位和分割的综合精度m AP可达到79.18%,比传统的Mask R-CNN算法提高了3.55%。