تشخیص بیماری و بررسی کارایی قلب بر مبنای تصاویر اکوکاردیوگرافی از گذشته تاکنون مورد توجه پزشکان متخصص در این زمینه بوده است. در دهههای اخیر جهت کاهش خطای انسانی در تفسیر تصاویر پزشکی ارائه یک روش مبتنی بر یادگیری ماشین همواره مورد توجه محققان هوش مصنوعی بوده است. در این تحقیق یک روش یادگیری عمیق مبتنی بر شبکههای عصبی همآمیختی جهت استخراج نقشه بطن چپ قلب در حالت پایان دیاستولی ارائه گردیده است. یکی از مهمترین چالشها در الگوریتمهای یادگیری عمیق فراهم نمودن دادههای آموزشی مناسب جهت یادگیری ماشین است، در این تحقیق از دادههای ارائه شده توسط محققان بیمارستان دانشگاهی اتیئن واقع در کشور فرانسه تحت عنوان CAMUS استفاده شده است که حجم داده ارائه شده متناسب با روشهای یادگیری عمیق میباشد. در این تحقیق دو حالت استفاده از دادههای اولیه و تقویت دادهها با روش افزونگی داده مورد بررسی قرار گرفته است که تقویت داده موجب افزایش دقت و کارایی شبکه عصبی همآمیختی پیشنهادی شده است. دقت کلی برآورد نقشه بطن چپ قلب در حالت پایان دیاستولی با استفاده از روش پیشنهادی در بهترین حالت 97.99% و امتیاز F1 برای آن برابر با 89.21% میباشد.