ETD

• cardiac imaging
• ConvLSTM
• ConvLSTM
• convolutional neural networks
• deep learning
• deep learning
• echocardiographic segmentation
• ejection fraction estimation
• imaging cardiaco
• left ventricle
• modellazione temporale
• reti neurali convoluzionali
• segmentazione ecocardiografica
• stima della frazione di eiezione
• temporal modeling
• ventricolo sinistro

Il presente lavoro di tesi affronta la segmentazione automatica del ventricolo sinistro in immagini ecocardiografiche bidimensionali mediante reti neurali profonde. L’obiettivo è confrontare architetture di complessità crescente, valutandone accuratezza, stabilità e capacità di generalizzazione su dataset con differenti condizioni di acquisizione. In particolare, vengono analizzate una U-Net classica, un’architettura con modellazione spaziale globale e una sua estensione spazio-temporale. I modelli sono addestrati sui dataset CAMUS e TED e successivamente applicati al dataset EchoNet-Dynamic per stimare la frazione di eiezione a partire dalle segmentazioni ottenute. I risultati evidenziano i benefici dell’integrazione di informazione spaziale globale e temporale, nonché i limiti intrinseci della stima funzionale basata su una singola vista bidimensionale.


This thesis investigates automatic left ventricle segmentation in two-dimensional echocardiographic images using deep learning techniques. The goal is to compare neural network architectures of increasing complexity, assessing their accuracy, stability, and generalization across datasets acquired under different conditions. A classical U-Net, a model with global spatial modeling, and a spatio-temporal extension are evaluated on the CAMUS and TED datasets. The trained models are then applied to the EchoNet-Dynamic dataset to estimate the ejection fraction from the resulting segmentations. The results highlight the benefits of integrating global spatial and temporal information, as well as the intrinsic limitations of functional estimation based on a single two-dimensional view.