Dos enfoques de aprendizaje profundo para la segmentación automatizada del ventrículo izquierdo en resonancias magnéticas cardíacas cine.
Imagen generada por Gemini AI
Investigadores han desarrollado dos modelos de aprendizaje profundo, LNU-Net e IBU-Net, para la segmentación del ventrículo izquierdo en imágenes de resonancia magnética (RM) en corte corto. LNU-Net mejora el U-Net mediante la normalización por capas, mientras que IBU-Net combina la normalización por instancias y por lotes. Al ser evaluados en un conjunto de datos de 805 imágenes de RM de 45 pacientes, ambos modelos lograron una mejora significativa en la precisión de la segmentación, superando a los métodos existentes en términos del coeficiente de Dice y la distancia perpendicular promedio. Este avance podría potenciar el diagnóstico clínico y la cuantificación en el ámbito de la cardiología.
Nuevas Arquitecturas de Aprendizaje Profundo Mejoran la Segmentación del Ventrículo Izquierdo en MRI
Los recientes avances en aprendizaje profundo han llevado al desarrollo de dos nuevas arquitecturas, LNU-Net e IBU-Net, destinadas a mejorar la segmentación del ventrículo izquierdo (VI) a partir de imágenes de MRI cardíaca cine. Ambos modelos demuestran mejoras significativas en la precisión de la segmentación en comparación con los métodos tradicionales.
Los investigadores diseñaron LNU-Net basado en la normalización por capas y IBU-Net utilizando normalización por lotes de instancias. Cada modelo incluye un camino de re-muestreo para garantizar una localización precisa, lo que es crucial para obtener resultados exactos en la segmentación.
Evaluación y Resultados
Los modelos fueron evaluados en un conjunto de datos de 805 imágenes de MRI de 45 pacientes. Tanto LNU-Net como IBU-Net superaron las métricas de rendimiento de los métodos de segmentación de última generación existentes, logrando coeficientes de Dice más altos y distancias perpendiculares promedio reducidas, lo que indica una mejora en la precisión al delinear el ventrículo izquierdo.
Temas relacionados:
📰 Fuente original: https://arxiv.org/abs/2601.00794v1
Todos los derechos y créditos pertenecen al editor original.