本研究利用机器学习评估先天性心脏病的复杂性和管理知识的不足，揭示关键数据集和算法，识别应用中的挑战与机遇，为未来研究提供重要见解。

本文介绍了一种基于扩张卷积神经网络的自动分割方法，专用于先天性心脏病患者的心血管磁共振图像。研究表明，该方法在处理解剖变异时表现优异，并在少量标注图像训练中优于完全监督网络。通过多任务学习和自监督预训练，提升了心脏MR图像分割的准确性和可重复性，推动了心脏影像学研究的发展。