心血管疾病是当前世界上致死率最高的疾病。随着当前医学成像技术的迅猛发展,心血管疾病的医疗流程得以优化。作为一种非侵入式成像方式,短轴心脏磁共振图像被广泛应用于临床诊断之中。在诊断心血管疾病时,临床医生往往需要计算心功能指数以定量分析心脏功能。作为计算心脏功能指数的先决条件,心脏磁共振图像的分割是必不可少的一步。然而,手动分割不仅耗时耗力且易出现主观性错误。因此,在临床诊断中迫切需求一种自动高效而又精准的心脏磁共振图像自动分割方法。本文基于公开的心脏磁共振图像数据集,针对左心室,右心室和心肌的自动分割展开如下研究:首先,通过切片操作,将三维心脏磁共振图像转化为二维数据。之后,进行尺寸标准化,以提升神经网络训练效率。通过旋转训练数据来增强数据,以避免过拟合问题。最后,对数据进行灰度值标准化,力求在保持灰度值差异的情况下减小计算量。经过上述数据预处理之后,改良全卷积神经网络,施行分割。经过总结改良型全卷积神经网络不足,提出空洞模块对抗网络(Dilated Block Adversarial Network,DBAN)。DBAN包括分割器与鉴别器。分割器可以生成分割概率图。在分割器中,本文提出了空洞模块来捕获和融合多尺度特征。鉴别器采用了全卷积方法,可以在像素级别上区分分割概率图和Ground Truth。此外,鉴别器还可以生成置信度概率图,通过反向传播来引导分割器提升分割精度。DBAN的测试结果被上传到公共数据集评估平台,以评估分割性能。结果显示DBAN的分割性能在所有指标评估下均可排前10。在总共12项指标中有7项排名前3。之后对基于DBAN分割结果所得的心脏功能指数进行评估,结果显示DBAN与医疗专家表现相似。因此,有理由相信DBAN有望成为心脏磁共振图像自动分割的潜在候选方法。基于训练DBAN所得的模型,搭建了心脏磁共振图像自动分割系统。本系统包括数据导入与保存,心脏磁共振图像自动分割与查看功能,能够准确的自动分割心脏磁共振图像。此外,本系统还加入了提取心脏磁共振图像纹理特征以及生成灰度直方图等功能,可协助临床医生更加快捷地检查病患心脏磁共振图像病灶区域,从而提升诊断效率。