本文介绍了一种基于扩张卷积神经网络的自动图像分割方法，旨在生成心脏图像的分割掩模和不确定性地图。该方法在心脏MR扫描数据上训练，显著提高了左心室分割的精度，展示了深度学习在心脏分割中的优势，并提出了多种新算法以提升分割性能和准确性，为临床应用提供有效支持。

该研究提出了一种新方法，通过自监督学习和弱监督训练，实现高效的左心室分割，Dice得分达到93.32%。基于卷积神经网络的算法利用心脏运动时间一致性，显著提高分割精度。同时，提出了多尺度空间变换UNet模型和多任务学习方法，进一步提升了心脏图像处理的准确性和效率。

超声心动图在小儿心脏病学中至关重要。P-Mamba是一种用于儿童超声心动图左心室分割的创新方法，提高了准确性和效率。