随着经济生活的迅猛发展，心血管疾病已成为人类健康的严重威胁，借助于医学影像技术的辅助，医生能够准确快速地进行临床诊断以及病情跟踪。在传统的心脏疾病诊断中，需要有丰富经验的医生手动分割出心脏影像中的各个组织结构，以便对心脏功能进行评价。因此，研究心脏影像的分割具有深远的意义。对于心脏分割而言，图像特征表达的有效性直接影响到分割的精度。而怎样处理医学影像数据以得到优良的特征表达是重要初始步骤。
　　近年来，深度学习由于在图像处理方面拥有独特优势而得到广泛应用。稀疏自编码器(Sparse Auto-encoder，SAE)作为有代表性的深度学习算法之一，因其结构简单，训练后提取的特征对于样本数据具有很强表述力，被广泛应用在图像处理等领域。本文提出了基于多尺度SAE的Graph Cuts右心室MR图像分割，重点研究了多尺度图像特征的表述能力及后续的与分割框架进行融合的问题。
　　针对心脏右心室特有的心室壁较薄，结构复杂且边界不明显等特点，本文提出了基于SAE特征提取的Graph Cuts分割方法。在特征提取阶段，以多尺度SAE无监督自学习影像数据内部结构特征，将第一层输出作为第二层网络的输入，进行逐层训练，然后添加标签进行有监督训练，通过无监督的多层自学习与有监督的联调，实现对右心室MR(Magnetic Resonance)图像深度特征的自动提取。
　　在提取有效特征的基础上，首先使用水平集方法对有监督网络提取的概率图进行预分割，以获得右心室形状先验。然后结合有监督特征和预分割形状先验对Graph Cuts的能量函数进行重构。最后在Graph Cuts框架下进行精确分割。通过实验表明，本文方法比传统方法分割精度更高。最后，我们对本论文进行总结与展望，以期后续工作的完善。