Два метода глубокого обучения для автоматизированной сегментации левого желудочка в кинематической кардиомагнитной томографии
Изображение создано Gemini AI
Исследователи разработали две модели глубокого обучения, LNU-Net и IBU-Net, для сегментации левого желудочка на короткоосевых кинематографических МРТ-изображениях. LNU-Net улучшает архитектуру U-Net с помощью нормализации по слоям, в то время как IBU-Net сочетает нормализацию по экземплярам и по партиям. В тестировании на наборе данных из 805 МРТ-изображений, полученных от 45 пациентов, обе модели значительно повысили точность сегментации, превзойдя существующие методы по коэффициенту Дайса и среднему перпендикулярному расстоянию. Эти достижения могут улучшить клиническую диагностику и количественные исследования в кардиологии.
Новые архитектуры глубокого обучения улучшают сегментацию левого желудочка в МРТ
Недавние достижения в области глубокого обучения привели к разработке двух новых архитектур, LNU-Net и IBU-Net, направленных на улучшение сегментации левого желудочка (ЛЖ) на основе кадровых изображений сердечно-сосудистой МРТ. Оба модели демонстрируют значительные улучшения в точности сегментации по сравнению с традиционными методами.
Исследователи разработали LNU-Net на основе нормализации по слоям, а IBU-Net использует нормализацию по экземплярам и пакетам. Каждая модель включает путь увеличения разрешения, чтобы обеспечить точную локализацию, что имеет решающее значение для получения точных результатов сегментации.
Оценка и результаты
Модели были оценены на наборе данных, состоящем из 805 МРТ изображений 45 пациентов. Оба LNU-Net и IBU-Net превзошли показатели существующих передовых методов сегментации, достигнув более высоких коэффициентов Дайса и сниженных средних перпендикулярных расстояний, что указывает на улучшенную точность в очерчивании левого желудочка.
Связанные темы:
📰 Первоисточник: https://arxiv.org/abs/2601.00794v1
Все права и авторство принадлежат первоначальному издателю.