随着人体成像技术的发展,越来越多的疾病诊治需要借助各种成像设备完成。我们得到扫描图像之后,目标组织或病变区域通常需要进行分割操作后方可用于下一步的研究或应用。在具体的应用场景例如心脏磁共振成像扫描中,扫描人员需要对心脏相关平面进行几何定位,包括四腔心、三腔心、两腔心和短轴平面。人工的定位方法步骤繁多,需要消耗大量的时间,导致扫描效率低下。近年来,随着人工智能技术的兴起,计算机在医学领域代替了大量的人工操作。在此背景下,本文研究了计算机视觉中新型的模型设计方法在心脏磁共振成像中对心脏预扫描数据的分割效果,之后探索了该技术在心脏自动定位任务中的应用情况。本文在基础的深度学习语义分割网络框架上,提出了一系列基于加权特征融合的医学图像分割模型。本文首先在模型中引入了分离的注意力机制,将输入数据分为多条路径,对相邻的数据路径施加自注意力权值,最后将加权后的值进行融合,构成基本卷积块。此结构具有多条并行的数据通路,增加了网络的宽度,因此可提高模型的特征提取能力。然后本文提出了针对医学图像分割任务的双向特征金字塔,该结构具有从上至下和从下至上的数据通路,再加上跳跃连接,可对不同尺度的特征图进行充分地交互。之后本文还引入了新型的激活函数Mish,并通过实验证明了该函数相对于其他激活函数的优势。最后针对医学图像标注不易获取的情况,本文在模型训练过程中引入了半监督学习方法,并通过实验论证了该方法的有效性。随后本文将医学图像分割技术应用于心脏定位任务中,提出了新的心脏自动定位方法。本文首先将预扫描图像经过上述医学图像分割模型进行分割,得到多种心脏子结构的分割结果。之后对分割结果进行后处理,再根据其几何关系得到用于定位相关平面的关键点。基于关键点的坐标,我们可获取到最终所需的成像平面。本文对比了文中方法与其他方法的定位效果,验证了本方法的优越性。本文中图像分割技术在心脏成像平面定位中的应用代替了人工定位过程中的部分操作,从而降低了扫描人员的操作难度,提高了心脏磁共振成像的效率,最后实现了本研究的应用价值。