在常规临床心脏病的检查与诊断中,左心室分割和参数量化的研究受到了高度重视,它可以评估患者的现状,然后对疾病的诊断和治疗做出适当且正确的判断。近年来,心脏磁共振图像已成为临床心脏疾病实践中一种重要的成像方式。从心脏磁共振图像中分割左心室指清楚地划分出心外膜和心内膜的边界。左心室的参数量化主要包括预测两个面积、六个区域壁厚和三个腔尺寸的值,量化这些指标可以为心脏病的诊断和分析提供可靠的数据支持。尽管在过去几十年中,人们在左心室分割和量化方面投入了大量精力,但它仍处于研究阶段,而且由于医学成像的复杂性,目前的算法仍然不够健壮和灵活,无法支持临床实践。因此,左心室分割与参数量化研究仍然具有很大的挑战,在稳健性、灵活性和准确性方面都还有很大的改进空间。基于上述分析,本文设计并提出了一系列的左心室分割以及参数量化研究,相关的研究如下:（1）基于多任务约束的左心室分割。本文根据左心室分割任务与回归任务间的相互关系,提出多任务约束网络自动预测左心室的分割生成结果,使用U-Net卷积神经网络架构分割左心室作为基准,同时考虑到任务间的相关性,为分割结果添加多任务约束,利用任务间的相关性来约束损失函数,提高了网络的泛化性和整体任务的表现性能。（2）基于Trans UNet与多任务约束的左心室分割。由于U-Net捕捉长期依赖能力的不足,本文结合Transformer模型和U-Net网络模型,搭建Trans UNet深度网络模型架构,进一步提高U-Net的分割性能。Trans UNet使用带有自注意力机制的Transformer作为编码器,能更好地提取全局信息,结合解码器提取局部细节特征,在训练时同样加入多任务约束进行训练,进一步提高了左心室分割任务的性能。（3）基于直接回归与分割的左心室参数量化对比研究。目前主流的左心室量化算法方法主要分为基于直接回归的量化方法和基于分割的量化方法两类,本文分别基于这两种不同的量化方法搭建模型并将其应用于左心室的参数量化。包括基于端到端的网络用于捕捉心脏结构特征以对每个心脏MRI估计其多类型的参数;以及根据已得出的左心室MRI分割结果对左心室参数进行计算估计;并对两种不同的量化方法展开了研究对比与分析。本文在相同实验条件下进行了一系列相关的实验,对所提出与使用的相关算法分别进行了评估与分析,并与目前主流的其他算法进行比较,实验结果表明,本文所提出的方法对左心室分割和量化都有较高的精度,有助于将医生从繁琐的人工分割及量化工作中解脱出来,具有一定的临床意义。