Deux approches d'apprentissage profond pour la segmentation automatisée du ventricule gauche dans l'IRM cardiaque cinématique
Image générée par Gemini AI
Des chercheurs ont développé deux modèles d'apprentissage profond, LNU-Net et IBU-Net, pour la segmentation du ventricule gauche dans des images d'IRM cine en coupe courte. LNU-Net améliore le modèle U-Net en y ajoutant une normalisation de couche, tandis qu'IBU-Net combine la normalisation par instance et la normalisation par lot. Testés sur un ensemble de données comprenant 805 images d'IRM provenant de 45 patients, les deux modèles ont considérablement amélioré la précision de la segmentation, surpassant les méthodes existantes en termes de coefficient de Dice et de distance perpendiculaire moyenne. Cette avancée pourrait améliorer le diagnostic clinique et la quantification en cardiologie.
De nouvelles architectures d'apprentissage profond améliorent la segmentation du ventricule gauche en IRM
Les récentes avancées en apprentissage profond ont conduit au développement de deux nouvelles architectures, LNU-Net et IBU-Net, visant à améliorer la segmentation du ventricule gauche (VG) à partir d'images IRM cardiaques en ciné. Les deux modèles montrent des améliorations significatives de la précision de segmentation par rapport aux méthodes traditionnelles.
Les chercheurs ont conçu LNU-Net basé sur la normalisation de couche et IBU-Net utilisant la normalisation par lot d'instances. Chaque modèle comprend un chemin de suréchantillonnage pour garantir une localisation précise, cruciale pour des résultats de segmentation exacts.
Évaluation et résultats
Les modèles ont été évalués sur un ensemble de données de 805 images IRM provenant de 45 patients. Tant LNU-Net qu'IBU-Net ont dépassé les indicateurs de performance des méthodes de segmentation à la pointe de la technologie existantes, atteignant des coefficients de Dice plus élevés et des distances perpendiculaires moyennes réduites, indiquant une précision améliorée dans la délimitation du ventricule gauche.
Sujets connexes :
📰 Source originale : https://arxiv.org/abs/2601.00794v1
Tous les droits et crédits appartiennent à l'éditeur original.