Moderní metody automatické segmentace obrazu pro detekci srdečních struktur z ultrazvukových dat

Abstract

Ultrazvuková vyšetření srdce představují důležitý nástroj pro diagnostiku kardiovaskulárních onemocnění. Přesná interpretace echokardiografických snímků však vyžaduje značnou odbornou zkušenost a čas. Cílem této práce bylo navrhnout a experimentálně ověřit moderní metody automatické segmentace levé srdeční komory z 2D echokardiografických obrazů pomocí hlubokého učení, a to s využitím architektur U-Net a U-Net++.

Pro trénink a testování byly použity data z veřejně dostupného datasetu CAMUS, konkrétně 500 snímků z 2CH projekce. Data byla rozdělena v poměru 70% trénovací, 20% validační a 10% testovací. Během experimentů byly testovány různé konfigurace sítě, lišící se zejména hodnotou dropoutu (0–30%) a learning rate 10^-4 až 10^-5. Trénink probíhal po dobu maximálně 50 epoch s využitím ztrátové funkce Binary Cross-Entropy a metody early stopping s trpělivostí 10 epoch.

Výkonnost modelů byla hodnocena pomocí metrik Dice skóre a Jaccard indexu. Nejlepších výsledků bylo dosaženo u architektury U-Net++ s Dice skóre 0.93 a Jaccard indexem 0.87 na testovací sadě. Pro vizualizaci výstupů a interakci s modely bylo navrženo a implementováno webové grafické uživatelské rozhraní s využitím technologií React, FastAPI a PyTorch. Ačkoli výpočet kardiologických parametrů (EDV, ESV, SV, EF) byl v této práci proveden z referenčních segmentací datasetu, demonstruje potenciál automatizované segmentace pro klinické aplikace.

Výsledky potvrzují, že hluboké neuronové sítě lze s úspěchem využít jako podpůrný nástroj pro analýzu echokardiografických dat. V budoucnu lze systém rozšířit o výpočet parametrů přímo z predikovaných masek, nasazení v reálném čase či integraci pokročilejších architektur pro práci s videosekvencemi.

Cardiac ultrasound imaging is an essential tool for the diagnosis of cardiovascular diseases. However, accurate interpretation of echocardiographic images requires expert knowledge and is often time-consuming. The aim of this thesis was to design and experimentally validate modern deep learning methods for automatic segmentation of the left ventricle from 2D echocardiographic data using U-Net and U-Net++ architectures.

The study was conducted using the publicly available CAMUS dataset, specifically 500 images from the 2CH projection. The data were split into 70% training, 20% validation, and 10% test sets. Several network configurations were tested, varying primarily in dropout rate (0–30%) and learning rate 10^-4 to 10^-5. The training process lasted up to 50 epochs with Binary Cross-Entropy as the loss function and early stopping applied with a patience of 10 epochs.

Model performance was evaluated using the Dice score and Jaccard index. The best results were achieved with the U-Net++ architecture, reaching a Dice score of 0.93 and a Jaccard index of 0.87 on the test set. To support deployment and visualization, a web-based graphical user interface (GUI) was implemented using React, FastAPI, and PyTorch. Although the calculation of cardiac parameters (EDV, ESV, SV, EF) was performed using reference masks from the dataset, the workflow demonstrates the clinical potential of automated segmentation tools.

The results confirm that deep neural networks can serve as effective assistive tools for the analysis of echocardiographic data. Future work may include direct computation of cardiac parameters from model outputs, real-time integration, or the adoption of more advanced architectures for video sequence analysis.