Due Approcci di Deep Learning per la Segmentazione Automatica del Ventricolo Sinistro in MRI Cardiaca Cine
Immagine generata da Gemini AI
I ricercatori hanno sviluppato due modelli di deep learning, LNU-Net e IBU-Net, per la segmentazione del ventricolo sinistro in immagini MRI cine a piano corto. LNU-Net potenzia l'architettura U-Net integrando la normalizzazione dei livelli, mentre IBU-Net combina la normalizzazione per istanza e quella per batch. Testati su un dataset di 805 immagini MRI provenienti da 45 pazienti, entrambi i modelli hanno mostrato un significativo miglioramento nella precisione della segmentazione, superando le tecniche esistenti in termini di coefficiente di Dice e distanza perpendicolare media. Questo progresso potrebbe migliorare la diagnostica clinica e la quantificazione in cardiologia.
Nuove Architetture di Deep Learning Migliorano la Segmentazione del Ventricolo Sinistro in MRI
Recenti progressi nel deep learning hanno portato allo sviluppo di due nuove architetture, LNU-Net e IBU-Net, mirate a migliorare la segmentazione del ventricolo sinistro (LV) dalle immagini MRI cardiache cine. Entrambi i modelli mostrano significativi miglioramenti nella precisione della segmentazione rispetto ai metodi tradizionali.
I ricercatori hanno progettato LNU-Net basandosi sulla normalizzazione dei livelli e IBU-Net utilizzando la normalizzazione dell'istanza-batch. Ogni modello include un percorso di up-sampling per garantire una localizzazione precisa, fondamentale per ottenere risultati di segmentazione accurati.
Valutazione e Risultati
I modelli sono stati valutati su un dataset di 805 immagini MRI di 45 pazienti. Sia LNU-Net che IBU-Net hanno superato i parametri di prestazione dei metodi di segmentazione all'avanguardia esistenti, raggiungendo coefficienti di dice più elevati e riducendo le distanze perpendicolari medie, indicando un miglioramento nella precisione nel delineare il ventricolo sinistro.
Argomenti correlati:
📰 Fonte originale: https://arxiv.org/abs/2601.00794v1
Tutti i diritti e i crediti appartengono all'editore originale.