深度学习架构的比较,用于心脏直径细分在导管X射线图中的导管X射线图
Kian A Huang1, Bharath Subramanian1, Haris K Choudhary1
1Radiology, University of South Florida Morsani College of Medicine, Tampa, USA.
Cureus
|March 16, 2026
概括
在胸部X射线图上细分心脏轮方面,U-Net显著超过了DeepLabV3,实现了更高的准确性. 这种深度学习模型在自动心脏图像分析方面表现出卓越的性能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 心脏病学 心脏病学
背景情况:
- 准确的心脏图像细分对于评估心脏解剖学和功能至关重要.
- 手动细分是耗时的,容易变化.
- 像U-Net和DeepLabV3这样的深度学习模型显示了自动化心脏细分的潜力.
研究的目的:
- 为了比较U-Net和DeepLabV3在心脏导管放射图上心脏轮细分的性能.
- 评估自动化细分在提高心脏评估效率和可重复性方面的有效性.
主要方法:
- 一种监督的深度学习方法,使用心脏导管术中的1717个胸部X射线图.
- 修改后的U-Net和DeepLabV3网络的实施和比较.
- 通过使用子相似系数,交叉点与联盟 (IoU) 和像素精度进行评估.
主要成果:
- 与DeepLabV3 (Dice=0.9321, IoU=0.8742) 相比,U-Net获得了更高的平均Dice (0.9454) 和IoU (0.8980) 的结果.
- 统计分析证实了U-Net在所有大效果尺寸的所有指标上的显著优异表现.
- 对U-Net (0.9844) 和DeepLabV3 (0.9806) 的像素精度也更高.
结论:
- 在导管放射图上,U-Net在心脏轮细分方面表现出卓越的准确性.
- 在U-Net中,编码器-解码器架构具有跳过连接,可方便精确的边界划分.
- 使用U-Net的自动细分可以提高心血管大病检测和心脏监测效率.
