心脏磁共振（Cardiac Magnetic Resonance,CMR）T1 mapping技术是一种用于评估心肌组织特征的、无创的影像检查方法。它能够定量测量心肌组织的T1值,从而帮助评估和诊断心肌组织在结构和成分上的一系列病变。近年来,随着核磁共振技术的快速发展,CMR、T1 mapping技术的临床应用也越来越广泛,可以无创地评估心肌梗死、非缺血性心肌病、心肌淀粉样变等疾病。目前T1mapping技术缺少统一的技术规范,不同的扫描序列、磁场强度、后处理方法以及患者个体因素等都会使测得的T1值及细胞外体积分数发生变化。医生和影像科技师需要通过主观观察解读T1 mapping图像,在T1 mapping图像上找到心肌所在位置,并判断是否存在异常。然而经验缺乏与精力疲劳都会大大降低医生诊断的准确率。漏诊率增加将直接延误患者的治疗时机,不利于对患者进行及时的诊治。本文就目前心脏核磁共振图像处理存在的问题,提出用深度学习的方法对心肌组织进行分割和统计。其目标是实现在T1 mapping图像中识别心脏位置和组织结构,并进行心脏纤维化程度分析,来辅助医生诊断心血管疾病,减轻医生的工作负担,为医生判断心脏纤维化程度提供图像依据。论文的主要工作如下:（1）本文研究了一种主流的目标检测网络Yolov3在心脏位置感兴趣区域（Region of interest,ROI）识别上的应用,并且尝试通过利用计算T1 mapping图像所需的多张MR图像来提高整体的检出率。在实验结果中,多输入图像的心脏ROI识别以组为单位检出率达100%。（2）本文通过Res Net50为特征提取网络的Unet分割模型对心脏ROI进行心肌分割,提出了一种多图像的分割融合方法,通过融合多张MR图像的心肌分割图从而提高了T1 mapping图像中的心肌分割精度。在与其他图像分割模型的比较中,应用了多图像的分割融合的Res Net50＿Unet模型在验证集上取得了0.813的平均Dice最好成绩。为了获取多图像的分割融合所需的融合策略,本文设计了一种基于Segfuse图像融合模型的融合策略获取方法,在验证集上取得了与人工制定的融合策略接近的效果。（3）本文实现并改进了美国心脏协会的心肌16段划分法,将心肌划分为36个细粒度区域,通过统计T1 mapping图像中心肌的T1值来定位可能的纤维化位置,并分析其纤维化的程度。心脏的方向对于左右心室上、下交界点的确定有很大的影响,通过它们和心脏的方向可以确定划分的起点。为此本文通过旋转的方式对用于Yolov3的训练集进行数据增广,这不仅可以提高Yolov3模型的性能,而且可以将不同方向的心脏进行区分。这一改进大大简化了心肌细粒度划分算法。