两种深度学习方法用于心脏MRI中的左心室自动分割
Gemini AI生成的图像
研究人员开发了两种深度学习模型——LNU-Net和IBU-Net，用于短轴心脏MRI影像中左心室的分割。LNU-Net在U-Net的基础上引入了层归一化，而IBU-Net则结合了实例归一化和批量归一化。在对来自45名患者的805幅MRI影像数据集进行测试后，这两种模型在分割精度上显著提升，且在Dice系数和平均垂直距离方面均优于现有方法。这一进展有望提升心脏病学领域的临床诊断和定量分析能力。
新型深度学习架构提升了MRI中左心室的分割效果
最近在深度学习领域的进展促成了两种新架构的开发，即LNU-Net和IBU-Net，旨在改善从心脏MRI影像中分割左心室（LV）。与传统方法相比，这两种模型在分割精度上表现出了显著的提升。
研究人员基于层归一化设计了LNU-Net，并利用实例批归一化构建了IBU-Net。每个模型都包含一个上采样路径，以确保精确定位，这对于实现准确的分割结果至关重要。
评估与结果
这些模型在一个包含805幅来自45名患者的MRI影像的数据集上进行了评估。LNU-Net和IBU-Net的性能指标均超过了现有最先进的分割方法，获得了更高的Dice系数和更低的平均垂直距离，表明在分割左心室方面的精度得到了增强。
相关主题：
深度学习左心室分割磁共振成像LNU-NetIBU-Net
📰 原始来源： https://arxiv.org/abs/2601.00794v1
所有权利和署名均属于原出版商。