این پژوهش به توسعه یک مدل یادگیری عمیق مبتنی بر U-Net با backbone شبکه ResNet34 برای بخش‌بندی خودکار پروستات و ساختارهای داخلی آن، شامل ناحیه محیطی (PZ)، ناحیه انتقالی (TZ)، استرومای فیبروموسکولار قدامی (AFMS) و مجرای ادراری، در تصاویر MRI می‌پردازد. در این مطالعه از تصاویر T2-weighted، DWI و ADC مربوط به ۹۱ بیمار استفاده شد و علاوه بر بررسی هر مدالیته به‌صورت جداگانه، ترکیب تصاویر مختلف با استفاده از روش تلفیق مبتنی بر تبدیل موجک نیز ارزیابی شد. نتایج نشان داد که ترکیب تصاویر T2W + DWI بهترین عملکرد را در بخش‌بندی ساختارهای پروستات ارائه می‌دهد و مدل توانست دقت بسیار بالایی در تفکیک پروستات و نواحی مختلف آن به دست آورد. این روش می‌تواند به کاهش زمان و خطای ناشی از بخش‌بندی دستی و بهبود کاربرد MRI در تشخیص، مدیریت بیماری و برنامه‌ریزی درمان سرطان پروستات کمک کند.