心血管疾病(Cardiovascular Diseases,CVDs)已经成为严重威胁亚洲地区人类身体健康和生命安全的主要疾病之一。随着医疗技术的不断发展,不同的医学影像设备逐渐被应用于心血管疾病的诊断过程中,如,核磁共振成像(MRI)、电子计算机断层扫描成像(CT)、正电子发射型计算机断层显像(PET)等。基于医疗成像设备获取的心脏图像,左心室分割和定量分析是心脏疾病诊断的重要步骤之一。左心室分割是指在不同的心脏图像上精准的划分出左心室的边界,包括心内膜的边界和心外膜的边界。左心室的定量分析是指对左心室的壁厚等指标进行估计,主要包括:左心室的面积(心腔的面积和左心室的面积),区域壁厚(the regional wall thicknesses(RWT),包括前间壁中部,前臂中部,侧壁中部,后壁中部,下壁中部和室间隔中部的壁厚)和左心室的直径(3条固定方向的直径)等十一个指标。精准的左心室分割有利于医生更好的掌握病患左心室心肌层的边界,给医生提供更好的视觉辅助。当前,临床医生主要是通过人工分割及度量对左心室进行分割。数据表明,临床医生分割一名病患的心脏MR图像(20幅)需要花费20分钟。临床中,大量的患者,不同的成像设备都会产生大量的心脏图像,仅通过人工对心脏图像进行分割对医生而言是一项极为繁重的工作。同时,由于患者之间的个体差异,心脏运动引起的心肌形状变化、乳头肌的存在、不同模态图像的固有噪声等因素,都会影响医生人工分割的精度,难以较快获得精准的分割结果。同时,由于人工分割无可避免的存在个人主观因素的干扰,心脏分割的结果缺乏一定的客观性。精确的左心室定量分析结果有利于医生更好的掌握病患左心室心肌层边界及其厚度变化,对心血管疾病的诊断具有重要的意义。现有的左心室定量分析大多是医生基于手动分割的结果,测量估计左心室的面积,射血分数和壁厚等指标。这导致现有的左心室定量分析方法的结果同时受医生手动分割结果的误差和进一步测量误差的共同影响,且手动分割和进一步测量都需要消耗医生大量的时间。为了提高心脏图像分割和定量分析的精度和效率,将放射科医生从冗长、低效的工作中解脱出来,基于计算机的心脏分割和定量分析方法研究势在必行。基于上述分析,本文提出了一系列左心室分割和定量分析方法:(1)本文提出了一种混合模态自适应的心脏图像分割算法。当前的心脏图像分割算法是针对单模态图像或者多模态图像(跨模态图像)设计产生的。基于单模态的心脏图像分割算法,泛化能力相对较差,当其应用于新的模态时往往需要进行重新训练。基于多模态的心脏图像分割算法,往往需要同一个患者的不同模态的图像。考虑到心脏MR图像和CT图像在心肌形状上的表达一致性,本文首次提出了混合模态的心脏图像分割算法。混合模态图像,不同于常见的多模态图像,它指的是数据中包含多个模态的图像,但多个模态的图像来自于不同的患者。本文提出的混合模态自适应的心脏图像分割算法,充分利用不同模态心脏图像的左心室形状相似性,实现左心室的精准分割。该算法具有很好的泛化性能,对于新的模态的图像分割无需二次训练。(2)本文设计提出一种半监督的生成式对抗网络用于左心室分割。大量的带标记的训练图像可以提高算法的精度。然而,图像标注是一件极为繁琐、工作量巨大的任务。特别是医学图像标注,缺乏一定医学知识的普通人往往难以正确的标注。因此,为充分利用大量的未标注的数据,本文设计提出一种半监督的生成式对抗网络用于心脏MR图像左心室分割。(3)本文将深度神经网络与集成学习结合,提出一种深度集成网络实现左心室的定量分析。左心室的量化分析是指对左心室的各个指标进行估计,在心血管疾病的诊断过程中,精确地左心室量化分析结果能够给医生提供一个直观准确的依据。考虑到在传统机器学习领域中,集成学习能够有效提高个体学习器的精度。基于此,本文分别从三个角度设计了三个子网络,并通过对三个网络结果的集成获取最终的定量分析结果。该方法能够充分利用不同角度下进行左心室定量分析的优势,提高估计的精度。(4)考虑到同时实现心脏图像分割和定量分析的重要性,本文设计提出一种新的深度神经网络,同时实现了心脏图像分割和定量分析。在现有的心脏图像分析工作中,心脏图像分割工作往往仅提供分割结果,依靠分割结果计算其定量分析结果需要二次计算,二次计算过程中难以避免误差的出现。直接的左心室量化分析工作(即不需要进行左心室分割直接对指标进行量化),往往不能提供分割结果,对医生的临床诊断而言,缺乏一定的视觉辅助效果。因此,本文设计提出一种新的深度神经网络同时实现心脏图像分割和定量分析,在获取精确的定量分析结果的同时,给医生提供视觉辅助,从而更好的实现心脏疾病的计算机辅助诊断。为了检测和评估本文提出的左心室分割和定量分析方法的性能,本文进行了一系列的实验对比。实验结果表明,本文提出的方法,在心脏分割和定量分析上都具有很高的精确度,其在临床诊断中也具有极高的精确性。