In de afgelopen jaren is deep learning een krachtig hulpmiddel gebleken in verscheidene disciplines, waaronder de medische sector. Het verwerken en analyseren van medische beelden heeft een positieve impact op het beter begrijpen van de fysiologische kenmerken van de ziekte. Bovendien kan het verloop van de ziekte efficiënter opgevolgd worden met als doel het behouden en verbeteren van de cardiovasculaire gezondheid. Deze doctoraatthesis focust op het ontwikkelen van een nieuwe, robuuste en accurate methode voor segmenteren en analyseren van hartbeelden. We leggen onze focus op het verbeteren van architecturen van convolutionele neurale netwerken voor de segmentatie van CT-beelden van het volledige hart en de hartkamers, voor de segmentatie en kwantificatie van cine CT-beelden van de bi-ventrikels en het myocardium en als laatste op het segmenteren van CT-beelden van aneurysma's van de buikslagaders. De voorgestelde methodologieën behalen hoge segmentatienauwkeurigheid en kunnen op tegen de huidige state of the art methodologieën.