利用超聲心動圖進行心室分割能夠獲得心室容積參數，對評價心功能有重要意義。但超聲圖像有噪聲大、難以分割等特點，僅僅靠人工對目標區域進行手動分割工作量巨大，且目前自動分割技術尚無法保證分割精度。針對這些問題，本文提出了一種全新的算法框架對心室結構進行了分割提取。首先，采用更快速的基于區域的卷積神經網絡目標檢測算法對目標區域進行定位，得到感興趣區域；然后使用 K 均值（K-means）算法對目標區域進行初始聚類；接著使用一種自適應核函數帶寬的均值漂移（mean shift）算法進行分割；最后采用種子填充算法提取目標區域。該算法結構實現了自動提取分割目標區域，免去了人工定位的過程。實驗表明，在定量評價標準下，這種分割框架能夠對目標區域進行精確的提取，同時提出的自適應均值漂移算法較傳統固定帶寬均值漂移算法更穩定，且分割效果更好。研究結果顯示，本文所述方法有助于實現超聲心動圖左心室切面的自動分割。
針對自動檢測醫學圖像中指定目標時存在的問題，提出了一種基于深度學習自動檢測目標位置和估計對象姿態的算法。該算法基于區域深度卷積神經網絡和目標結構的先驗知識，采用區域生成候選框網絡、感興趣區域池化策略，引入包括分類損失、邊框位置回歸定位損失和像平面內朝向損失的多任務損失函數，近似優化一個端到端的有監督定位網絡，能快速地對醫學圖像中目標自動定位，有效地為下一步的分割和參數自動提取提供定位結果。并在超聲心動圖左心室檢測中提出利用檢測額外標記點（二尖瓣環、心內膜墊和心尖），能高效地對左心室朝向姿態進行估計。為了驗證算法的魯棒性和有效性，實驗數據選取經食管超聲心動圖和核磁共振圖像。實驗結果表明算法是快速、精確和有效的。