磁共振（Magnetic Resonance,MR）成像是检测脊柱病变的常用手段。通过对脊髓MR图像中的椎块进行分割,根据分割后的椎块间距、形态、弯曲程度及倾斜角度可以判断多种脊椎疾病,对临床上脊椎病的辅助检测具有重要意义。椎块分割优化算法主要分为三步:图像预处理、基于深度学习的椎块分割、分割结果的优化。预处理是从MR矢状断层影像序列中定位到椎块最完整的图层,并分割该图层的脊椎感兴趣区域（Region of Interest,ROI）。在确定尾椎ROI区域时采用动态规划的方法,为深度卷积神经网络提供更好的训练数据。利用V-Net网络对脊髓ROI图像进行训练得到椎块分割结果。椎块分割结果优化是针对V-Net分割结果中存在的椎块位置错误、椎块间粘连、椎块缺失等问题进行处理。根据脊椎中椎块的大小、排列方式中存在的规律,提取脊椎中心线及其他形态学信息,反应椎块的整体特征。通过计算椎块质心、宽高、椎间距并与椎块整体特征对比,删除位置错误的椎块并定位到存在粘连和缺失椎块的位置。在粘连椎块存在向内的明显凹陷时,计算椎块的凸壳,根据凸壳两点间包含的点与两点连线的距离判断是否存在凹陷,并在凹陷处断开椎块。缺失椎块包含两种情况:部分缺失和整块缺失。由于椎块体积较小且内部灰度较为均匀,部分缺失椎块通过区域生长的方式补全残缺部分;对于整块椎块缺失的部分,根据其他判断为正确椎块的宽高间距近似计算缺损部分的宽高和偏移角度,以补全整块缺损椎块。优化算法在联影公司提供的数据集上进行实验,对多种模态的MR影像中脊柱的头颈部、胸部和腰尾部图像都能取得较为准确的分割结果。