心血管疾病对人类的生命健康产生了严重的威胁,这一现状在我国更为严峻,目前心血管疾病的有效诊疗手段为心脏MRI成像,由专业的放射科医生通过对病人的MRI影像进行手工标注,进而计算出心脏的各项功能参数以分析病人的病情。但手工标注的需求量仍在不断扩大,同时标注过程也较为繁琐且费时,不同医生之间的标注也存在差异。深度学习已在语义分割等领域获得了巨大成功,已有一些使用深度学习实现医疗影像分割任务的尝试,但对MRI心脏图像自动分割任务而言仍有进一步提升的可能。本文利用深度学习FCN技术,分别针对二维和三维数据的MRI影像进行了心脏自动分割。本文针对二维DCM格式MRI影像左心室轮廓分割任务提出了一种基于组归一化与最近邻插值的MRI左心室轮廓精确分割网络——GNNI U-net(U-net with Group Normalization and Nearest Interpolation),该网络利用组归一化方法构建了能够快速准确提取特征信息的卷积模块,基于最近邻插值法构建了用于特征信息还原的上采样模块。在Sunnybrook与LVSC两个左心室分割数据集上采用了中心裁减ROI提取的预处理方法,并对GNNIU-net进行了充分的对照实验,结果在Sunnybrook数据集上获得了 Dice系数0.937以及Jaccard系数0.893的精度;在LVSC数据集上获得了 Dice系数0.957以及Jaccard系数0.921的精度,GNNIU-net在左心室轮廓分割领域取得了比现有其他卷积网络分割方法更高的Dice系数精度。最后进一步讨论并验证了组归一化操作卷积模块能够加速网络的收敛并提高分割精度;采用最近邻插值法的上采样模块对左心室轮廓这类较小目标分割效果更友好,能够在一定程度上加速网络收敛。本文针对三维NII格式MRI影像全心脏分割任务基于GNNI U-net提出了 3D GNNI U-net。在ACDC数据集上采用了切片尺寸维度的ROI提取、切片数量维度的最近邻插值扩增和三维几何变换的数据增强方法的数据预处理方法,并对3D GNNI U-net进行了充分的对照实验。结果3D GNNI U-net在Dice系数和Hausdorff距离上取得了一定的精度,并相较于3D U-net有明显的提升。本文验证了 3D GNNI U-net在处理三维数据时保持了 2D GNNI U-net结构所带来的良好特性,三维组归一化操作卷积模块和最近邻插值的上采样模块与在处理二维数据时一样,具备一定的加速收敛并提高分割精度的作用。本文通过讨论论证了在三维数据与多目标分割的任务下,3D GNNI U-net保持了 2D GNNI U-net结构所带来的良好特性,基于三维组归一化操作的卷积模块和基于最近邻插值法的上采样模块仍对网络有加速收敛,提高分割精度的作用。本文基于深度学习FCN技术,实现了对二维和三维的MRI心脏影像自动分割。并通过实验证明了本文所提出的方法均取得了优秀的分割结果,对于MRI心脏影像自动分割的科研工作与临床应用,具有较好的参考价值与现实意义。