心血管疾病目前仍然是我国死亡率最高的疾病，其中心脏疾病是诱发心血管疾病的主要因素。左心室的结构变化与心血管疾病的发生有着重要的关联。在整个心脏解剖结构中，左心室向整个身体输送含氧血液。因此左心室功能是衡量心脏疾病的重要的定量分析指标。左心室功能的定量分析主要是通过分割不同成像模态中左心室部分，进而计算得到相关功能指标。目前三维超声心动图能够提供更多的上下文信息，能够为临床专家提供更多的解剖结构信息，成为了一种流行的左心室超声心动图模态。为了避免人工标注超声心动图的耗时问题和主观差异问题，鉴于计算机辅助超声心动图的高效性和一致性，计算机辅助超声心动图分割成为一个研究热点。因此本文致力于研究计算机辅助的全自动和半自动的左心室三维超声分割方法。
　　首先，为了解决基于小样本深度学习模型的初始化问题，并充分挖掘3D超声心动图自身的空间先验信息，提出了基于空时解剖先验的自监督排序模型。基于该排序模型，进一步提出基于排序模型的自监督预训练机制，并将该预训练机制应用到特定的心室分割任务当中，实现分割性能的提升。本文提出的基于排序任务的预训练机制具有较好的拓展能力，可以灵活的应用到其他的排序模式和更加广泛的应用领域。同时为基于深度学习技术的左心室分割方法奠定基础。
　　其次，提出融入形变模型的残差网络分割方法。在网络结构方面提出了采用多尺度残差模块构建全卷积网络，在形变模型方法，提出了基于解剖结构约束的形变表面模型。基于解剖结构约束的形变表面模型作为多尺度残差全卷积网络的后处理模型，克服了其在心室基底部、左心室室壁缺失以及乳头肌和梳状肌分割方面的缺陷，提升了分割准确性。该方法相比最高水平的分割方法在一些指标上有明显优势。在方法学上，提出了结合传统分割方法和深度学习方法、融入形状先验的思路，在一定程度上提升了模型的可解释性。
　　再次，基于图谱分割方法在表达几何先验信息方面的优势，提出了基于深度学习技术和图谱指导的多尺度信息一致性约束的分割方法。提出的分割方法将图谱融入到深度学习框架构成深度图谱网络，并且提出了多尺度信息一致性约束(包括标注一致性约束、灰度体一致性约束以及对抗一致性约束)。提出的分割方法采用了轻量级的网络达到了高的分割准确率和效率。而且，提出的分割方法可以基于有限的训练集进行训练，并实现比最高水平方法更好的训练效果。提出的多尺度信息一致性约束从不同层次提升了分割的准确性，最终完成了复杂解剖结构环境下的左心室分割任务。在基于深度学习的3D超声图像分割领域具有好的研究潜力。
　　最后，提出了针对全心动周期左心室3D超声心动图分割方法，该方法利用单标记图像和无监督的训练环境实现半自动左心室分割任务。提出的方法采用基于深度学习的配准框架完成左心室的分割任务。该方法基于空间形变网络生成不同灰度体之间的形变场，并用灰度体相似性度量和平滑约束项对网络进行优化。基于获得的单标记图像，采用配准的方式传递标注，进而完成分割任务。并且优化时并不需要任何的标注，因此可以利用大规模的无标注的训练数据进行无监督的深度网络训练。基于两灰度体之间的共享形变场的先验知识，实现半自动左心室分割。该分割方法在半自动的左心室分割领域具有好的应用潜力。