La heterogeneidad del campo es un problema duradero para la resonancia magnética cardíaca (RMC) en escáneres de alto campo (3T y superiores). Los campos no homogéneos pueden llevar a una calidad de imagen corrupta, un tiempo de escaneo prolongado y un diagnóstico falso. El ajuste es la forma más directa de mejorar la homogeneidad. Sin embargo, el protocolo de ajuste cardíaco estándar de hoy en día requiere la selección manual de un volumen de ajuste, que a menudo incluye falsamente regiones con grandes desviaciones (por ejemplo, hígado, grasa y pared torácica). El campo de ajuste defectuoso compromete la fiabilidad de los protocolos de RMC de alto campo, lo que reduce significativamente la eficiencia del escaneo y dificulta su adopción clínica más amplia. Este estudio tiene como objetivo desarrollar un modelo de aprendizaje profundo de doble canal que pueda contornear de manera confiable la región cardíaca para el ajuste sin interacción humana y bajo protocolos de imagen variables. Al utilizar tanto la información de magnitud como de fase, el modelo logró una alta precisión de segmentación en los mapas de campo en comparación con los métodos de un solo canal convencionales (Puntuación de DICE: 2D-mag = 0.866, 3D-mag = 0.907 y 3D-mag-fase = 0.938, todos < 0.05). Además, muestra una mejor generalización frente a las variaciones comunes en los parámetros de imagen de la resonancia magnética y permite un ajuste significativamente mejorado en comparación con el método estándar (SD(Ajuste): Propuesto = 15 +/- 11% vs. Estándar = 6 +/- 12%, < 0.05). El modelo autónomo propuesto puede mejorar la fiabilidad del ajuste cardíaco a 3T y servir como base para una imagen de RMC de alto campo más fiable y eficiente en rutinas clínicas.