Investigación sobre el estudio de aprendizaje profundo de la segmentación de tomografía computarizada del ventrículo izquierdo

Las enfermedades cardiovasculares se están convirtiendo en una importante preocupación de salud global que requiere un análisis de imágenes cardíacas por tomografía computarizada sofisticado, preciso y eficiente, para asistir en el diagnóstico y la planificación terapéutica, particularmente en la segmentación precisa del ventrículo izquierdo. Para superar esto, este artículo creó un modelo U-Net mejorado que mejora en gran medida la identificación de los detalles del ventrículo izquierdo al combinar una nueva fusión de características de múltiples escalas con un mecanismo de atención. Al comparar el rendimiento en el mismo conjunto de datos, el U-Net mejorado muestra ventajas relativas en métricas importantes como precisión, recuperación, puntuación F1, IoU y coeficiente de Dice. El modelo U-Net mejorado es más efectivo en adquirir conocimiento y más confiable al alcanzar un estado estable, lo que es significativo para aplicaciones clínicas prácticas. Además, el modelo está optimizado utilizando convolución separable por profundidad, lo que garantiza ligereza y aumenta la velocidad de entrenamiento. Experimentos extensivos en muchos conjuntos de datos de TC cardíaca validaron la excepcional precisión de segmentación, rendimiento computacional y flexibilidad del modelo, superando técnicas de aprendizaje profundo de última generación y ofreciendo nuevas oportunidades para el diagnóstico y tratamiento precisos de enfermedades cardiovasculares.