摘要目的:构建基于YOLOV8-Seg模型的深度学习对MRI图像前列腺中央腺体(CG)和外围区(PZ)进行自动分割,为临床诊断和治疗提供可靠的依据.方法:选取柏林夏里特大学医院提供的前列腺MRI公开数据集中158例患者的横向弛豫时间T2加权成像(T2WI)序列数据.所有数据按照7∶1∶2的比例分为训练集109例、验证集16例和测试集33例.将解耦头结构(LADH)与大卷积核UniRepLKNetBlock模块加入到YOLOV8-Seg算法中得到新模型为YOLOV8-URLK,提升模型提取特征的能力.采取平均精度均值(mAP),Dice相似系数、95%豪斯多夫距离(HD95)以及平均表面距离(ASD)评估新模型对前列腺CG和PZ的检测分割性能.与YOLOV8-Seg、TransU-Net以及U-Net网络模型进行对比实验,验证YOLOV8-URLK模型对前列腺区域检测分割的有效性.结果:YOLOV8-URLK新模型在测试集上mAP@0.5(box)为0.878,CG和PZ的平均Dice系数、HD95和ASD分别为0.867、17.123和1.461,14.902、0.898和1.112;YOLOV8-Seg模型在测试集上mAP@0.5(box)为0.860,CG和PZ平均Dice系数分别为0.851和0.884、平均HD95为19.174和15.298、ASD为1.781和1.219;TransU-Net模型在测试集上CG和PZ平均Dice系数分别为0.864和0.824、平均HD95为18.134和19.402、ASD为1.698和1.717;U-Net模型在测试集上CG和PZ平均Dice系数分别为0.857和0.690、平均HD95为18.976和26.934、ASD为1.753和2.135,YOLOV8-URLK新模型能够较好地复现人工标注的分割趋势.结论:YOLOV8-URLK新模型在前列腺MRI图像检测分割中展现出更高精度,优于YOLOV8-Seg、TransU-Net和U-Net网络模型,提升检测分割效率.