海马体是位于人体大脑丘脑与内侧颞叶之间的一个脑组织结构，主要负责人类的记忆、学习、情感控制以及空间方向定位等功能。同时，有些神经系统疾病，如阿尔兹海默病、抑郁症等，都与海马体形态、体积的改变有关。由于海马体结构不规则，边缘模糊，与相邻组织难区分，分割结果精确度差、分割效率低。基于单图谱的分割容易造成严重分割误差。基于多图谱配准的分割方法可以充分利用多个个体的图像信息，克服图像差异性，算法适用性强、精度较高。但由于传统多图谱海马体分割算法较为复杂，计算过程冗长，提高算法效率以及进一步提高算法精度成为主要研究内容。本文在研究了传统多图谱配准的海马体分割算法的基础上，提出了基于ANTs的配准、基于U-Net的多图谱改进融合算法。
　　多图谱分割方法主要包括图像预处理，图像配准，图像融合三个过程，分别对这三个步骤中的相应过程进行改进，可以提高多图谱分割算法精度与效率。(1)本文在图像预处理阶段，对人脑磁共振图像先进行颅骨剔除，通过计算互信息、梯度相似性进行图谱预选，选择与目标图谱更贴合的浮动图像组，减少存在较大误差的标签图像对图像融合准确度的影响，并利用包围盒算法来提取以海马体为中心的磁共振图像作为感兴趣区域，可有效地降低数据规模。
　　(2)在图像配准阶段，本文主要是提出基于ANTs改进的配准方法，针对传统“粗精”混合配准方法的缺陷，ANTs配准将刚性配准、仿射配准以及形变模型组合成为一个系统算法，通过对插值函数与相似性测度的优化，实现对ANTs配准方法的优化，并与重采样和改进后的微分同胚Demons方法进行对比分析，通过ANTs配准的改进方法在提高配准精度的同时，配准所需要的时间也缩短了50％左右。
　　(3)在标签融合阶段，提出基于深度学习理论改进的U-Net多图谱MRI海马体分割算法，通过对U-Net网络进行改进，对输入图像及其相应的浮动图像采用随机梯度下降法进行训练，将残差结构引入U-Net网络进一步提升网络性能，精确分割海马结构。对U-Net网络进行改进，利用标签融合技术实现多图谱海马体分割，结合前期配准过程的优化，实现了多图谱海马体分割的高精度，相较于MV、WV、STAPLE、PBM算法，该算法在分割精度上有1.1％一12％的提高。本文改进的多图谱分割算法在提高分割精度的同时相对的提高了算法的效率。