Imagens provenientes de exames de ressonância magnética cardíaca são reconhecidas como padrão-ouro para o diagnóstico de diversas doenças cardíacas. Biomarcadores estimados a partir da segmentação e análise do ventrículo esquerdo nessas imagens podem ser utilizados em diagnósticos. Entretanto, a segmentação manual do ventrículo esquerdo nas diversas imagens que compõem um exame de ressonância magnética demanda tempo e esforço repetitivo do especialista, o que pode aumentar a variabilidade da qualidade do diagnóstico. Nos últimos anos, diversas abordagens automáticas e semiautomáticas para segmentar o ventrículo esquerdo nessas imagens têm sido propostas na literatura. As principais estratégias envolvem o uso de métodos baseados em atlas, grafos, modelos deformáveis, inteligência artificial, técnicas clássicas de processamento de imagens e combinações híbridas desses, em conjunto com restrições anatômicas referentes à forma do ventrículo. Apesar de apresentarem bons resultados, nenhum método ainda alcançou a excelência do especialista devido à grande variação das estruturas representadas nas imagens de ressonância magnética. A partir de um mapeamento sistemático, foi constatado que a utilização de métodos híbridos que integram inteligência artificial e restrições de forma têm obtido resultados promissores e oferecem uma possível solução ao problema da segmentação, porém ainda sem alcançarem a excelência almejada. O presente trabalho tem como objetivo principal desenvolver um método híbrido que una aprendizado profundo e modelos deformáveis com restrições de forma para segmentar automaticamente o ventrículo esquerdo em imagens de ressonância magnética cardíaca. Os modelos deformáveis favorecem a produção de segmentações precisas e conseguem impor restrições de forma anatômicas, diminuindo a produção de segmentações com erros anatômicos, um dos problemas mais comuns dos métodos recentes. Os resultados indicam que o método produz resultados comparáveis à literatura e anatomicamente mais consistentes, além de demonstrar habilidade de generalização entre diferentes bases de imagens. Porém, o método ainda apresenta um desempenho inferior em fatias apicais e casos específicos de cardiopatias. Além de oferecer uma contribuição para a área de Processamento de Imagens Médicas, o método proposto contribui com a área de auxílio ao diagnóstico em Cardiologia

Images from cardiac magnetic resonance exams are recognized as the gold standard for diagnosing various heart diseases. Biomarkers estimated from the segmentation and analysis of the left ventricle in these images can be used in diagnosis. However, manual segmentation of the left ventricle in various images of magnetic resonance exams demands time and repetitive effort from the expert, which can increase quality variability of diagnosis. In recent years, several automatic and semiautomatic approaches for left ventricle segmentation in these images have been proposed in the literature. The main strategies involve the use of methods based on atlas, graphs, deformable models, artificial intelligence, classical image processing techniques and hybrid combinations of these, together with anatomical restrictions regarding the shape of the ventricle. Despite showing good results, no method has yet reached the excellence of the expert due to wide variations in structures represented in magnetic resonance images. From a systematic mapping, it was found that the use of hybrid methods integrating artificial intelligence and shape restrictions have obtained promising results and offer a possible solution to the segmentation problem, but still without reaching the desired excellence. The main objective of the present work is to develop a hybrid method that combines deep learning and deformable models with shape restrictions to automatically segment the left ventricle in cardiac magnetic resonance images. Deformable models favor the production of precise segmentations and are able to impose anatomical shape restrictions, reducing the production of segmentations with anatomical errors, one of the most common problems in recent methods. The results indicate that the method produces results comparable to the literature and is anatomically more consistent, while demonstrating generalization ability between different image databases. However, the method still performs poorly in apical slices and specific cases of heart disease. In addition to offering a contribution to the Medical Image Processing area, the proposed method contributes to the area of diagnosis in Cardiology