当前,心血管疾病已成为我国乃至全世界的重大公共卫生问题。展开对心血管疾病辅助诊断的相关研究,对提高国民生活质量,实现国家卫生与健康计划具有重要意义。目前,在心血管疾病的临床诊断中,主要由医生对心脏磁共振成像(Magnetic Resonance Imaging,MRI)序列的心室轮廓进行绘制,并以其为数据基础计算心脏功能评价指标,再根据指标进行定量分析进而诊断疾病。这种方式依赖于医生的临床经验,存在效率不高,工作强度大,人员易疲劳和人为误差多等缺点,难以保障心血管病诊断的稳定性和客观性。为此,本文主要对心脏MRI分割模型的损失函数与结构展开研究,并采用机器学习技术构建心脏疾病诊断模型,通过智能分类实现对心血管疾病的辅助诊断,主要研究工作如下:(1)针对深度神经网络对心脏MRI等医学图像分割时,存在精度不足的问题,本文提出了一种面向医学图像分割的神经网络损失函数。该损失函数利用曲线演化思想对传统神经网络损失函数进行改进,将神经网络模型在迭代过程中的输出结果通过距离变换进行符号距离函数转化,进而对分割区域形状和长度进行约束。实验结果表明,相较于主流的交叉熵和Dice(Dice’s coefficient)损失函数,使用本文提出的损失函数,U-net与Seg Net模型在图像分割精度上有明显提升。(2)针对现有神经网络在分割心脏MRI时,需要对左心室内、外膜单独建模,存在难以确保内外膜间相对位置关系的问题,本文设计了一种基于胶囊网络的分割模型,以在确保分割精度的基础上,同时提取左心室内、外膜轮廓,并保证两者间的空间位置关系。该模型利用胶囊网络将待分割目标转换成包含目标相对位置、大小等信息的向量,使用全连接重组这些向量的空间关系,并在对特征图进行上采样的过程中将反卷积与卷积层特征进行融合,更好得还原图像细节,加快模型的反向传播和训练过程。实验结果表明,相比主流分割模型结构,本文设计的模型结构在各项分割指标上取得更优的表现。(3)针对目前心脏MRI分割方法主要对心血管疾病的诊断指标进行定量分析,缺乏对疾病直接定性分类问题,本文基于XGBoost分类模型设计了一个心血管疾病辅助诊断模型。首先,在本文提出的损失函数和分割模型结构的基础上,获取左心室MRI分割结果,同时自动获取心血管疾病诊断的功能指标。然后,利用XGBoost机器学习分类模型,结合病例信息和相应诊断指标构建一个疾病诊断模型,对ACDC2017数据集中给出的五种疾病进行分类诊断。最后,基于该诊断模型,采用Python、Flask以及Tensorflow等技术将诊断过程可视化。综上,本文设计了一种面向左心室MRI分割的损失函数与分割模型,在提高分割精度的同时,实现了左心室内、外膜分割结果的并行获取;构建了一个心血管疾病辅助诊断模型,能更准确地提取心脏功能诊断指标,实现了由心脏MRI分割到心脏疾病定性诊断过程的可视化,实现了心血管疾病的自动化辅助诊断。