Mejorar la segmentación de lesiones en imágenes de ultrasonido: el impacto de las estrategias de aumento de datos...

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial en la salud
• Diagnóstico asistido por ordenador

Sus antecedentes:

• La segmentación automatizada de lesiones en imágenes de ultrasonido (US) utilizando aprendizaje profundo (DL) es vital para el diagnóstico de la enfermedad.
• Los conjuntos de datos anotados limitados dificultan la aplicación práctica de los modelos DL, especialmente en entornos con recursos limitados.
• Las redes adversarias generativas (GAN) ofrecen soluciones para la escasez de datos, pero implican una capacitación compleja y altos costos computacionales.

Objetivo del estudio:

• Explorar nuevas soluciones para la delineación automatizada de lesiones en imágenes estadounidenses, abordando el desafío de las muestras anotadas limitadas.
• Proponer y evaluar cinco estrategias distintas de aumento de muestras mixtas para la segmentación de lesiones en Estados Unidos.
• Evaluar la eficacia de estas estrategias en diferentes tipos de lesiones (mama, tiroides) y modelos de segmentación profunda.

Principales métodos:

• Desarrollo e implementación de cinco estrategias de aumento de datos de muestras mixtas.
• Evaluación de estas estrategias utilizando cuatro modelos de segmentación profunda.
• Evaluación del rendimiento para la delimitación de lesiones de mama y tiroides utilizando los índices Dice y Jaccard.

Principales resultados:

• Las estrategias de aumento mejoraron significativamente el rendimiento, con índices Dice y Jaccard que aumentaron hasta un 37,95% y 36,32% para las lesiones mamarias, y un 14,59% y 13,01% para las lesiones tiroideas.
• La efectividad de las estrategias de aumento varió según el tipo de lesión y la arquitectura del modelo.
• La selección estratégica de enfoques de aumento de datos resultó crítica para mejorar el rendimiento del modelo DL.

Conclusiones:

• Las estrategias de aumento de muestras mixtas propuestas ofrecen una solución confiable a la escasez de datos en la segmentación automatizada de lesiones en los Estados Unidos.
• La selección cuidadosa de técnicas de aumento de datos es crucial para maximizar las ganancias de rendimiento en los modelos DL para imágenes médicas.
• Estos hallazgos proporcionan información valiosa para mejorar las herramientas de diagnóstico automatizado en la atención sanitaria.