Объект исследования – сегментация желудочков сердца на МРТ-изображениях с помощью архитектур глубокого обучения. Цель работы – оценить и сравнить эффективность различных архитектур глубокого обучения для сегментации МРТ-изображений желудочков, чтобы улучшить качество и скорость обработки медицинских данных. В результате исследования было проведено сравнение нескольких архитектур глубокого обучения, включая InceptionResnetV2, MobileNetV2, ResNet-18, ResNet-50, и Xception. Были получены высокие значения по трем ключевым параметрам оценки: коэффициент сходства Dice, индекса Jaccard и точность пикселей, что подчеркивает их пригодность для клинического применения в диагностике сердечных заболеваний. Результаты работы имеют новизну и значимы для области медицинской визуализации. Использовались открытые образовательные ресурсы и программы поиска и анализа информации. Применено программное обеспечение MATLAB и автоматизированные инструменты для разработки алгоритмов глубокого обучения. Область применения результатов включает медицинскую визуализацию и диагностику сердечных заболеваний. Результаты исследования могут быть использованы для улучшения качества и скорости обработки медицинских изображений, что способствует более точной диагностике.

Object of study is the segmentation of cardiac ventricles on MRI images using deep learning architectures. The aim is to evaluate and compare the effectiveness of various deep learning architectures for the segmentation of MRI images of ventricles, to improve the quality and speed of medical data processing. As a result of the research, a comparison of several deep learning architectures including InceptionResnetV2, MobileNetV2, ResNet-18, ResNet-50, and Xception was conducted. High values were obtained for three key evaluation parameters: Dice Similarity Coefficient, Jaccard Index, and Pixel Accuracy, highlighting their suitability for clinical application in the diagnosis of heart diseases. The results are novel and significant for the field of medical imaging. Open educational resources and information search and analysis programs were used. MATLAB software and automated tools for developing deep learning algorithms were applied. The area of application of the results includes medical imaging and the diagnosis of heart diseases. The findings can be used to improve the quality and speed of processing medical images, contributing to more accurate diagnostics.