Automated left ventricle segmentation in cardiac CT Images using deep learning techniques

The segmentation of the left ventricle (LV) in cardiac computed tomography (CT) images is an important task for the diagnosis and treatment of cardiovascular diseases. Manual segmentation is time-consuming and subject to inter- and intra-observer variability. Therefore, the development of accurate and automated segmentation methods is crucial. In this thesis, we investigate the use of deep learning models for the segmentation of the LV in cardiac CT images. We evaluated three different deep learning models: U-Net, 2.5D U-Net, and U-Net with LSTM. The models are trained and evaluated using a dataset of 85 patients, which are manually segmented by an expert radiologist. The segmentation performance of the models is evaluated using quantitative metrics such as the Dice coefficient and Intersection over Union coefficient, as well as visual inspection of the segmentation results.Our results show that the 2.5D U-Net model achieves the best segmentation performance.The qualitative evaluation of the segmentation results using visual inspection of the images and corresponding masks reveals that the 2.5D U-Net model produces the most accurate segmentations overall, with the fewest errors and artifacts. Overall, our results demonstrate the potential of deep learning models for the segmentation of the left ventricle in cardiac CT images. The 2.5D U-Net model, in particular, shows superior performance, with high accuracy and few errors or artifacts.

La segmentazione del ventricolo sinistro (LV) nelle immagini di tomografia computerizzata (TC) cardiaca è un'importante attività per la diagnosi e il trattamento delle malattie cardiovascolari. La segmentazione manuale richiede molto tempo ed è soggetta a variabilità inter- e intra-osservatore. Pertanto, lo sviluppo di metodi di segmentazione accurati e automatizzati è cruciale. In questa tesi, abbiamo studiato l'uso di modelli di deep learning per la segmentazione del LV nelle immagini TC cardiache. Abbiamo valutato tre diversi modelli di deep learning: U-Net, U-Net 2.5D e U-Net con LSTM. I modelli sono stati addestrati e valutati utilizzando un dataset di 85 pazienti, i cui LV sono stati manualmente segmentati da un radiologo esperto. Le prestazioni di segmentazione dei modelli sono state valutate utilizzando metriche quantitative come il coefficiente di Dice e il coefficiente di Intersezione sull'Unione, nonché l'ispezione visiva dei risultati di segmentazione. I nostri risultati mostrano che il modello 2.5D U-Net raggiunge le migliori prestazioni di segmentazione. La valutazione qualitativa dei risultati di segmentazione utilizzando l'ispezione visiva delle immagini e delle maschere corrispondenti rivela che il modello 2.5D U-Net produce le segmentazioni più accurate in generale, con meno errori e artefatti. Complessivamente, i nostri risultati dimostrano il potenziale dei modelli di deep learning per la segmentazione del ventricolo sinistro nelle immagini TC cardiache. In particolare, il modello 2.5D U-Net mostra prestazioni superiori, con elevata precisione e pochi errori o artefatti.