根据美国癌症协会(American Cancer Society,ACS)2012年的统计数据,欧美国家前列腺癌的发病率在所有男性恶性肿瘤中排名第一,前列腺癌引起的死亡率仅次于肺癌,仅次于肺癌。准确分割前列腺磁共振(Magnetic Resonance,MR)图像在前列腺疾病的诊断和治疗中起着重要作用。前列腺和其他解剖结构之间缺乏清晰的边缘,这使得准确提取边界变得困难。复杂的背景纹理以及前列腺本身的大小,形状和强度分布的巨大变化使分割更加复杂。在临床实践中,医学图像通常可以由放射科医生手动分割,这是一个昂贵且耗时的过程。在临床实践中,前列腺MR图像的自动分割是非常需要的。AI技术在自然场景的识别已经取得广泛应用,在医学影像方面,AI技术具有更广阔的落地场景。通过AI技术,可以有效提高医师诊疗效率与诊断精度,使医学图像的分析技术下沉,缩短患者就诊等待时间,降低患者就医成本。机器学习的最新进展,特别是在深度学习方面,正在帮助识别、分类和量化现有的医学图像。深度学习能够从数据中自动归纳出具有层次的特征,而不是像以往那样根据领域特定知识手工去发现和设计特征。然而,前列腺MR图像存在的边界模糊,形状和强度变化大这些特点对分割网络的设计也是一项挑战。本文从前列腺MR图像的特点出发,针对现有分割方法的不足,分别在分割框架、网络结构、损失函数上提出了改进的高效且精确的基于迭代定位的前列腺MR图像分割方法。本研究主要有以下三点贡献:1)提出了一种具有分辨率感知的3维U形网络,以平衡平面内和平面外间的空间分辨率差异。此外,采用了带有实例-批量归一化方法(Instance-batch Normalization,IBN)的残差结构来提高网络的学习和泛化能力。2)引入Case-wise损失函数以减轻前列腺MR图像的个体差异带来的数据不平衡问题。使得那些区域更小及更难分的个体能得到更好的训练。3)在推断阶段采用具有迭代定位细化的从粗到精的前列腺分割方法。从粗到精的分割方法可以缩小的输入区域来减少复杂背景的影响。本文提出的迭代定位方法可以在省去粗分割模型的训练步骤的情况下,精确定位ROI区域。在 MICCAI2012 前列腺分割挑战数据集(Prostate MR Image Segmentation 2012,Promise12)和 NCI-ISBI 前列腺分割挑战数据集(NCI-ISBI Prostate Segmentation Challenge,NCI-ISBI-PSC)上验证的结果证明了本文方法的有效性。