随着经济的发展人民生活水平的提高,健康问题越来越得到人们的重视。前列腺癌是男性生殖系统最常见的癌症,在欧美等发达国家中前列腺癌发病率在男性癌症发病率排名第一。随着医疗影像技术的发展,磁共振图像因为众多的优点多被用于到前列腺癌的诊断和治疗中。如何快速、准确地对前列腺进行分割,成为了医学辅助诊断的重要话题。图像表示在图像解析上起着非常重要的作用。不同医疗图像分析算法的成功之处在于我们如何表示输入的数据,换而言之,就是如何用特征描述输入图像。在过去的十几年里特征工程一直是医疗图像研究领域的热门,许多好的创新的手工特征像哈尔小波和局部二值模式被研发出来。而这些手工特征在不同数据集中提取和组织显著信息的能力并不强大。也就是说,这些手工特征的表示能力随着数据集的不同而有很大的差异。不同人的前列腺磁共振图像之间差异很大,用手工特征并不能很好地表示这些图像。一个有效的特征应该是通过一个学习的方法得到,可以适应不同的数据集。本文针对前列腺磁共振图像的分割问题,我们展开了如下研究:我们引入了深度学习框架来解决上述问题。具体而言,使用深度信念网络用分层无监督的方法来提取有效的特征。学习到的特征随着数据集的不同而做出调整并且可以编码高层的结构语义信息,并利用有标签数据进行有监督微调,然后将学习到的特征作为softmax回归分类器的输入,对数据进行分类最终达到分割地目的。针对前列腺MRI的三维成像模式提出了一种基于双深度信念网络的3-D前列腺磁共振图像分割。按照前列腺磁共振图像中前列腺腺体灰度分布情况,把训练数据分成腺体内灰度分布均匀和灰度分布不均匀的两类分别训练两个参数相同的深度信念网络,然后把训练数据分别输入到两个网络中,综合两个网络的分割结果从而得到更好的分割结果。