Kardiyak manyetik rezonans görüntülerinde (MRG) başarılı sol kulakçık (SK) bölütlemesi daha yüksek hassasiyetli atriyal fibrilasyon ablasyonu, SA fibroz ölçümü ve kardiyak elektromekanik modelleme elde etmek için önemli zorluklardan biridir. Bununla birlikte, kardiyak MR dan otomatik SK bölütlemesi kalbin dinamik hareketi ve sınır noktalarındaki yeğinlik değeri farkları, görüntü çözünürlüğü, denekler arasındaki anatomik yapılarda önemli değişkenlik nedeniyle zordur. Bu çalışmada, SK'nın kardiyak volumetrik MRG'den tam otomatik bölütlenmesi için 3-boyutlu birleşik derin öğrenme ve rastgele alanlar yaklaşımı önerilmiştir. İlk önce U-net mimarisini kullanarak kaba bir SK bölütlmesi elde edilmiştir. Daha sonra son SK bölütlemesi için kardiyak hacimlerdeki bağlamsal ve görünüm bilgilerini etkili bir şekilde entegre etmek için koşullu rastgele alanlar uygulanmıştır. Yöntem rastgele alanlar sayesinde 3-boyutlu düzenlenmiş ve pürüzsüz bir sol karıncık yüzeyi sonucu vermektedir. STACOM 2018 veritabanında 100 adet kardiyak volumetrik MRG veri kümesi üzerinde önerilen yöntemi doğrulanmıştır. Önerilen yöntem sadece U-net yöntemini uygulamaktan daha iyi performans göstermiştir. Ayrıca 2-boyutlu ve 3-boyutlu yöntem karşılaştırılması yapılarak, 3-boyutlu yaklaşımın SK yüzeyi için sağladığı iyi performans nicel ve nitel olarak gösterilmiştir. Doğrulama ölçütü olarak, ortalama Dice katsayısı, Jaccard Benzerlik Katsayısı skoru ve Hausdorff Mesafesi kullanılmıştır. Önerlien yöntemin test verileri üzerinde Dice Katsayısı 0.912 ± 0.068, Jaccard Benzerlik Katsayısı skoru 0.927±0.097ve Hausdorff Mesafesisi 18.54±4.21 olarak hesaplanmıştır.

Accurate left atrial (LA) segmentation from cardiac magnetic resonance imaging (MRI) is one of the key challenges for achieving higher precision atrial fibrillation ablation, quantification of fibrosis and enabling electromechanical modelling of the heart. However, due to motion blur caused by heart movement and inconsistent intensity patterns near the atrial border, automating left atrial segmentation is a challenging task. In this work, we propose a hybrid approach, where we combine a convolutional neural network with conditional random fields to fully automatically delineate the LA from cardiac volumetric MRI. We first generate a coarse segmentation using U-net architecture and then apply conditional random fields to effectively integrate contextual and appearance information on LA cardiac volumes. Our method is capable to generate a smooth 3D atrial geometry with the regularization of conditional random fields. We trained and tested the proposed method on 100 3D cardiac MRI datasets from the STACOM 2018 atrial segmentation challenge and showed that it outperforms single U-net and its variants both in 2D and 3D. Dice coefficient, Jaccard Similarity Index and Hausdorf metric were used as validation metrics to evaulate the segmentation. For testing cases the Dice metric, Jaccard Similarity Index and Hausdorf metric were computed as 0.912 ± 0.068 0.927±0.097 and 18.54±4.21 respectively.