在深度学习及其在医学诊断中的应用方面,主要有两类任务。第一类任务是分类,通过将数据映射到特定结果分类来减少潜在的错误分类。第二类任务是识别,即使用医学图像和其他类型的辅助数据来识别和诊断肿瘤或其他疾病。本文的工作是在分类的基础上做更精确的像素级的分割。在先天性心脏病的诊断中,首先需要为患有复杂先天性心脏病(CHD)的儿童创建特应的心脏模型,而创建模型的第一步则是从3D心脏磁共振(CMR)图像中分割血池和心肌。良好的分割结果可以重建出精确的三维心脏模型,以方便临床医生进行心脏手术。根据心脏MR图片手动标注心肌和血池是最可靠的方法,但是往往单个患者的心脏MR扫描图像有数百张,在如此多的切片上执行像素级别的标注操作是一种高强度的体力和脑力劳动,标注结果严重受到观察者的经验水平和主观意识的影响。对于不同患者,由于心脏形状(特别是右心室)不同、反射信号强度不一致和采集数据的信噪比差异,使得自动并精确的分割心脏磁共振图像成为了一个难题。本文借鉴Dense Net和U-Net在MRI分割方面的应用,结合当前热门的注意力机制和空洞卷积,提出一个适用于心脏磁共振图像的血池和心肌分割的高效,快速的网络结构,主要改进有以下三点:1、基于Dense Net和U-Net的网络结构,提出了sparse block模块2、为了快速扩大特征图的感受野,使用了以三维方式实现的混合空洞卷积3、在改进的网络中加入了空间自注意力模型和基于通道注意力模型改进的尺度注意力模型本文提出的改进方法,在HVSMR 2016数据集上进行了充分实验,与其它方法相比,整体准确率有了5%的提升,参数量几乎最少,在训练过程中可以快速的拟合数据并形成较精确的分割结果。