วารสาร

Improving Cardiac Computed Tomography Scan Segmentation Using a U-Net Model with Continual Learning Techniques

W. Khamprapai, W. Thongsopa, C. Deejaiwong, J. Charoensuk, S. Mathulaprangsan, C. Chootong

Proceedings of Engineering and Technology Innovation, vol. 33, pp. 22-32, 2026

ต่อยอดจากงาน ICCT 2024 มาที่หัวใจ แบ่งโครงสร้างหัวใจ 7 ส่วนจากภาพ CT ด้วย U-Net Partial ให้โมเดลเรียนอวัยวะที่ติดกันเป็นกลุ่มก่อนแล้วค่อยแยกด้วย continual learning ใช้ CLIP ช่วยแยกแต่ละคลาส และเทียบ optimizer กับ learning rate บน MM-WHS 2017

โหลด PDF DOI

ผลการทดลอง

DSC สูงสุดที่รายงานในบทคัดย่อ: 94.08%DSC สูงสุดที่รายงานในบทคัดย่อ
IoU สูงสุดที่รายงานในบทคัดย่อ: 92.03%IoU สูงสุดที่รายงานในบทคัดย่อ
DSC ของกลุ่มที่รวม PA กับ RVC ดีที่สุดในขั้นรวมคลาส: 87.85%DSC ของกลุ่มที่รวม PA กับ RVC ดีที่สุดในขั้นรวมคลาส

DSC ต่อคลาส: U-Net baseline เทียบกับ AdamW lr 1e-4

จากตาราง 3 ในบทความ AdamW lr 1e-4 คือค่าที่ดีที่สุดในภาพรวม

U-Net baseline
U-Net Partial (AdamW 1e-4)

DSC %

60708090100

RAC
−0.22
LVC
−0.35
LAC
−7.29
MYO
+0.53
AA
+3.11
PA
−1.40
RVC
+0.86

ดูเป็นตาราง

Class	U-Net baseline	U-Net Partial (AdamW 1e-4)	Δ
RAC	81.63	81.41	−0.22
LVC	89.33	88.98	−0.35
LAC	90.02	82.73	−7.29
MYO	80.19	80.72	+0.53
AA	91.64	94.75	+3.11
PA	76.79	75.39	−1.40
RVC	84.10	84.96	+0.86

สิ่งที่พบ

AdamW ที่ learning rate 1e-4 ได้ผลดีสุดในภาพรวม เห็นชัดที่ aorta (AA) ได้ DSC 94.75
PA กับ LAC ยังยาก PA เล็กและรูปร่างต่างกันมากในแต่ละคน ส่วน LAC ขอบไม่ชัดในภาพ CT วิธีนี้ช่วยเรื่องอวัยวะใหญ่ที่ติดกัน แต่อาจทำให้ขอบของโครงสร้างเล็กเบลอลง
ข้อจำกัด: ใช้ชุดข้อมูลสาธารณะชุดเดียวที่มี CT ไม่มาก และเทียบแค่กับ U-Net baseline

กำลังโหลดบทความ…