一种用于心脏赛氏MRI左室分割的新型深度学习方法
计算机视觉与模式识别
2026-01-06 v1 机器学习
摘要
本研究旨在开发一种新型深度学习网络GBU-Net，利用基于组批量归一化的U-Net框架，专为对短轴赛氏MRI中左室进行精确语义分割而设计。该方法包括用于特征提取的下采样路径和用于细节恢复的上采样路径，已针对医学成像进行了优化。关键修改包括增强在心脏MRI分割中至关重要的上下文理解技术。数据集由45名患者的805个左室MRI扫描组成，采用Dice系数和平均垂直距离等既定指标进行比较分析。GBU-Net显著提高了心脏赛氏MRI中左室分割的准确性。其创新设计在测试中超越了现有方法，优于Dice系数和平均垂直距离等标准指标。该方法独特之处在于能够捕获传统基于CNN的分割中常被忽略的上下文信息。GBU-Net的一个集成在SunnyBrook测试数据集上达到97%的Dice分数。GBU-Net在手术机器人和医学分析中提供了增强的精度和上下文理解。
引用
@article{arxiv.2601.01512,
title = {A Novel Deep Learning Method for Segmenting the Left Ventricle in Cardiac Cine MRI},
author = {Wenhui Chu and Aobo Jin and Hardik A. Gohel},
journal= {arXiv preprint arXiv:2601.01512},
year = {2026}
}
备注
9 pages, 5 figures