近年来,随着人口老龄化的加剧,阿尔兹海默病(俗称老年痴呆症)发病人数逐渐增多。由于阿尔兹海默症导致而出现的痴呆症状是不可逆的,对于阿尔兹海默症的早期诊断则显得尤为重要。阿尔兹海默症早期存在着海马体萎缩的症状,快速准确地获得脑部核磁共振图像中海马体的体积变化情况信息,对阿尔兹海默症等疾病的诊断具有重要意义。目前,先进的海马体分割算法主要以深度学习算法为基础,而基于深度学习的海马体分割任务面临着两个问题:1)含有海马体标注的核磁共振样本稀缺,难以满足深度学习高性能模型对训练样本的要求;2)核磁共振影像中结构小的海马体与其周围组织存在着不明显的边界,使得基于深度学习的海马体分割算法难以对边界进行准确分割。针对上述问题,以脑部核磁共振图像中海马体的分割为研究目标,围绕算法分割精度与模型鲁棒性,提出两种基于深度学习的海马体分割算法本文主要工作如下:1)设计了一种基于生成对抗网络的半监督海马体分割算法。首先,以生成对抗网络为基础架构构建成对的生成器,其中一个生成网络的权重由另一个生成器的权重滑动平均所得。然后,利用无标签数据对两个结构相同的生成器网络进行无监督训练,利用含有标签的数据对生成对抗网络进行有监督的对抗训练,由此构建基于半监督训练的生成对抗网络。在EADC-ADNI数据集上将本文采用的对抗训练策略、半监督训练策略、两者相结合的策略与全监督训练策略进行了对比验证,结果表明,半监督策略和对抗训练策略分别提升了算法1.8%和0.58%的IOU分割精度,并且结合两者构建的算法在IOU精度上提升2.53%;通过引入无标签样本,半监督训练得到的模型对验证集分割结果异常值少,方差小,模型鲁棒性强。在不考虑网络结构复杂度的条件下,本文设计的基于生成对抗网络的半监督训练策略能有效提升海马体分割算法性能。2)设计了一种利用边界增强损失训练含注意力机制网络的海马体分割算法。为充分利用样本空间信息,同时简化网络结构,设计基于三维卷积的全监督模型。首先,通过加权复用U形分割网络的低层级信息,构建一种含注意力机制的U形三维卷积神经网络。然后,针对海马体结构与其周围组织结构边界不明显的问题,设计一种边界增强的损失函数,通过设计固定核的卷积层自动提取训练样本标签的海马体边界。在EADCADNI数据集上分析讨论了本文提出的损失函数和网络结构的性能。与目前几种先进的基于深度学习的三维分割算法进行了对比分析,实验结果表明本文提出的算法性能最优,达到了89.41%的Dice分割精度;通过增强网络训练时对难以识别边界区域的关注度,使得模型获得更小的验证方差,鲁棒性更强。