随着磁共振成像的临床应用越来越广泛,心脏磁共振成像也成为判断心脏结构和功能的“金标准”。有大视野、高度的组织分辨率以及无辐射的特点。在以往,由于心脏的运动性以及心脏长轴与人体长轴不一致,对其进行扫描的最大难点之一就是定位,整个过程由专业人员手动操作完成。心脏扫描过程中,要完成几个基本层面的选择,需要扫一次,定位一次。近20年来,有大量关于心脏分割的方法提出来,包括了半自动分割和自动分割。但是关于心脏扫描自动规划的相关工作很少。现如今仍然是临床实践的一个挑战。目前已有相关技术用于商用,但属于商用保密技术。因此为了实现长轴的自动定位,必须自主研究相关算法。本文提出了利用深度学习实现心脏左心室长轴的自动定位方法。主要工作如下:(1)研究了目前长轴定位相关方法,其最大弊端是过程过于复杂,过分依赖前期的特征提取工作。所以本文使用深度学习相关方法,仔细研究了多种神经网络,包括卷积神经网络和循环神经网络,以及各种模块。结合相关技术构建长轴的定位方法。(2)由于数据不够充分,本文利用现有的3D数据模拟了真实预扫描3D数据,分别研究了由3D体积磁共振数据和2D横断面切片估计左心室长轴位置的方法。(3)提出了5种模型,两种用于3D数据,三种用于2D数据。3D模型由于计算量较大,本文提出了利用通道注意力机制降维的方法和基于Inception的两种3D模型。2D数据第一种模型采用了卷积神经网络提取平面特征,循环神经网络提取空间特征。第二种和第三种模型都使用连续横断面切片作为输入,分别利用DenseNet和Attention机制实现长轴定位。(4)总结了不同模型训练过程中超参数的设置和激活函数、优化函数等选择技巧,用于提升定位的准确率。(5)测试了5种模型的定位效果,从绝对误差均值、标准差和时间等方面分析了模型的优劣。首先使用模拟数据进行实验,结果显示3D_Attention模型效果最好,测试结果为3.18±4.07°(均值±方差),的测试结果为2.57±3.14°。训练时间也较短,平均测试时间为20.5毫秒;然后使用11个真实数据测试,结果表明2D_DenseNet效果最好,测试结果为5.36±6.24°,的测试结果为6.82±4.65°。