Zwei Deep-Learning-Ansätze zur automatisierten Segmentierung des linken Ventrikels in Cine-Kardio-MRTs
Von Gemini AI generiertes Bild
Forscher haben zwei Deep-Learning-Modelle, LNU-Net und IBU-Net, zur Segmentierung des linken Ventrikels in Kurzachsen-Cine-MRT-Bildern entwickelt. LNU-Net verbessert das U-Net durch Layer-Normalisierung, während IBU-Net eine Kombination aus Instanz- und Batch-Normalisierung verwendet. In Tests mit einem Datensatz von 805 MRT-Bildern von 45 Patienten haben beide Modelle die Segmentierungsgenauigkeit erheblich gesteigert und bestehende Methoden hinsichtlich des Dice-Koeffizienten und des durchschnittlichen senkrechten Abstands übertroffen. Diese Fortschritte könnten die klinische Diagnostik und Quantifizierung in der Kardiologie erheblich verbessern.
Neue Deep Learning-Architekturen verbessern die Segmentierung des linken Ventrikels in der MRT
Aktuelle Fortschritte im Deep Learning haben zur Entwicklung von zwei neuen Architekturen, LNU-Net und IBU-Net, geführt, die darauf abzielen, die Segmentierung des linken Ventrikels (LV) aus cine-kardiologischen MRT-Bildern zu verbessern. Beide Modelle zeigen signifikante Verbesserungen in der Segmentierungsgenauigkeit im Vergleich zu traditionellen Methoden.
Die Forscher entwarfen LNU-Net basierend auf Layer-Normalisierung und IBU-Net unter Verwendung von Instanz-Batch-Normalisierung. Jedes Modell umfasst einen Upsampling-Pfad, um eine präzise Lokalisierung zu gewährleisten, die entscheidend für genaue Segmentierungsergebnisse ist.
Bewertung und Ergebnisse
Die Modelle wurden an einem Datensatz von 805 MRT-Bildern von 45 Patienten evaluiert. Sowohl LNU-Net als auch IBU-Net übertrafen die Leistungskennzahlen bestehender hochmodernen Segmentierungsmethoden, erzielten höhere Dice-Koeffizienten und reduzierte durchschnittliche senkrechte Abstände, was auf eine verbesserte Genauigkeit bei der Abgrenzung des linken Ventrikels hinweist.
Verwandte Themen:
📰 Originalquelle: https://arxiv.org/abs/2601.00794v1
Alle Rechte und Urheberrechte liegen beim ursprünglichen Herausgeber.