心脑血管疾病是全球人类疾病死亡的首要原因,为此人们投入大量精力预防和治疗心脑血管疾病,而CT图像等三维医学成像技术所提供的病理信息和解剖学信息是医生诊断心脑血管疾病的主要依据之一,例如通过CT图像获取得到的全心脏解剖结构信息,对诊断心率衰竭、先天性心脏衰竭以及指导射频消融手术具有重要作用,由于人工手动分析医学图像费时费力,因此快速而精准自动化分割医学图像具有重大意义,本课题针对医学图像中广泛使用的心脏CT图像的全心脏自动化分割算法进行了研究。本文第一部分首先对目前流行的全心脏分割算法进行了总结,研究了目前全心脏分割存在的两大难点:背景组织(即除心脏子结构外的组织)像素点数量远远多于心脏子结构像素点数量,以及心脏子结构之间、心脏子结构和背景组织的边界像素值非常接近导致边界非常模糊。本文在比对了2D分割和3D分割的优劣之后,选取了最能保留切片间上下文信息的3D UNET,并且使用在小样本集上表现良好的3D深度监督UNET作为基础网络,随后,提出了多深度融合块以协助网络融合上下文信息。最后,将Focal损失与Dice损失融合形成新的损失函数,以抑制类别不平衡,并且减小易分像素点的损失,迫使网络致力于优化难分像素点的损失,提升了分割算法的精度。本文第二部分在第一部分基础上继续进行研究,首先研究了目前全心脏分割领域最先进的两阶段分割方法。两阶段分割方法首先使用定位网络确定心脏大致位置然后在定位的区域基础上再完成分割任务。在此基础上,为了同样达到关注心脏子结构所在的重点区域的目的,实验使用了多头注意力机制。然后根据大多数背景像素点在训练过程中逐渐变得无信息这一事实,使用了困难负样本挖掘方法,自适应地从损失函数中排除无信息背景像素点的损失,最后,本文研究了兼具循环机制和反馈机制的CliqueNet,并且将Clique块整合进全心脏分割算法。在每个部分的最后评估了各个方法的效果。在最后,本实验的平均Dice指数达到91.01%,对比近期其他论文的分割结果,本文提出的方法已经达到目前最高的分割精度。本实验使用的方法是端到端的,并且能够在相对较短的时间完成高精度的全心脏分割任务,对于心脏病的临床诊断具有较高的意义。该方法是通用的,因而也能被迁移到脑CT图像等类似医学图像的分割任务之上。