随着医疗事业的进步,临床上出现了大量的医学图像数据。如何快速地处理这些医学图像以此加快医生的诊断效率,一直是科研人员和医疗人员面临的问题。目前在临床上,心血管疾病是引起全球人口死亡的第一病因,因此科研中有关心脏图像的研究一直是一个热点。近年来,有关心脏图像的研究主要是基于各种成像模态的医学图像,进行心脏室腔,冠状动脉钙化等的分割,并在此基础上计算各项心脏功能指标。临床上主要通过医生手动来对目标完成分割,然而手动分割耗时长,枯燥,效率低下而且不同医生间的分割存在差异,所以自动分割方法的研究逐渐成为研究的热点。自动分割方法目前主要是分为基于传统技术的图像分割方法,如阈值法,图割法等,和基于深度学习技术的新分割方法。传统图像分割方法,主要是通过捕捉低级信息,来寻找前景和背景的边界。然而在临床上,通常来说病人的器官会发生病变,导致其外观变化,结果使解剖结构更加复杂,从而使得图像对这些传统方法来说更加具有挑战性。基于深度学习的分割方法,通过使用大量图像数据训练模型,从而学习有关目标的丰富信息,来对前景和背景的像素进行分类。本文基于深度神经网络来对心脏图像中的左右心室,冠状动脉钙化分割两个方面进行研究,主要工作包括以下几点:1.本文首先通过介绍左右心室分割和冠状动脉钙化分割对心脏功能量化的促进性来说明它们对心血管疾病诊断的重要性,列举了图像分割方法的相关基础与理论,然后大致梳理了国内外临床上的方法和近年来提出的常用经典分割方法,并对这些方法的优点和不足进行比较分析。针对现有分割方法存在的不足,本文提出了基于深度神经网络的自动分割方法。2.心脏图像中,心室和背景的边界模糊,难以区分,尤其是基底和顶端切片,而且不同切片和不同阶段的心内膜和心外膜轮廓的形状变化大,同时图像中存在强度不均匀性。针对临床上心室分割面临的挑战和传统方法存在的不足,本文提出了一种基于深度信念网络的方法来对心脏核磁共振图像中的双心室进行分割,这是首次使用深度信念网络结合回归思想对双心室进行分割。该方法把心脏分割问题作为一个回归问题来处理,通过使用一种新的局部特征DAISY来提取心室信息,对提取的DAISY特征使用深度信念网络来对双心室的轮廓坐标进行回归。结合DAISY特征和深度信念网络和训练回归网络不但可以提取高级信息,而且能够以很小的计算代价准确分割左右心室。该方法使用来自145个临床病人的2900张心脏核磁共振图像来对模型性能进行验证,在Dice指数和皮尔逊系数两个指标上都达到了良好效果,因此可以作为临床上心血管疾病诊断的一种辅助工具。3.冠状动脉上的钙化斑块形状不规则,体积变化大,而且由于图像中主动脉钙化,脊柱和肋骨的强度与冠脉钙化接近,因此分割过程中,这些组织的噪声影响比较大。针对这些问题和现有钙化分割方法存在的不足,本文提出了一种基于DenseNet和U-Net的端到端框架来对冠脉钙化进行检测。该方法利用DenseNet结构来提取切片内部的特征,利用U-Net提取切片之间的特征,把DenseNet和U-Net使用联合学习进行结合,从而学习到更加丰富的钙化特征,进而对冠脉不同分支的钙化进行精确检测并进行量化。该方法使用来自不同中心的169个病人的非对比性心脏CT扫描图像对框架性能进行验证,结果显示钙化的检测结果和金标准达到了良好的一致性。