DB-SNet: una red de doble rama para la segmentación de componentes aórticos y la localización de lesiones

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• Enfermedades cardiovasculares

Sus antecedentes:

• La segmentación precisa de los componentes aórticos (lumen, calcificación, falso lumen) y las lesiones (aneurisma, estenosis, disección) en la angiografía CT (CTA) es crítica para el diagnóstico cardiovascular y la planificación del tratamiento.
• Los métodos automatizados existentes a menudo producen máscaras binarias con una utilidad clínica limitada y requieren tuberías separadas para la segmentación anatómica y de la lesión, lo que aumenta las demandas de recursos.

Objetivo del estudio:

• Introducir DB-SNet, una red de segmentación 3D de doble rama basada en MedNeXt, diseñada para el análisis eficiente e integrado de las estructuras y lesiones aórticas en las exploraciones CTA.
• Mejorar las limitaciones de los métodos existentes al permitir la segmentación simultánea de múltiples características aórticas con mayor precisión y menor costo computacional.

Principales métodos:

• Desarrolló DB-SNet, una red de segmentación 3D de doble rama con un codificador compartido y decodificadores específicos de tareas, integrado con un nuevo módulo de fusión cruzada entre canales para mejorar la interacción de características.
• Realizó un estudio de ablación sistemática para optimizar las arquitecturas de la columna vertebral, las estrategias de interacción de la información y las configuraciones de pérdida de peso para el rendimiento de doble tarea.
• Evaluó el modelo en un gran conjunto de datos de 435 casos de CTA multicéntricos para capacitación y 493 casos externos para validación.

Principales resultados:

• DB-SNet superó a 15 modelos de última generación, logrando puntuaciones superiores en el coeficiente de similitud de dados (DSC: 0.615) y en la intersección con la Unión (IoU: 0.524).
• Los parámetros del modelo se redujeron significativamente en un 64,8% y la complejidad computacional en un 36,4% en comparación con el modelo líder MedNeXt.
• Logró una notable aceleración de inferencia de 30.801x (37.985s frente a 1170s para la anotación manual), lo que demuestra una alta eficiencia.

Conclusiones:

• DB-SNet presenta un nuevo paradigma para el análisis aórtico eficiente e integrado, equilibrando la eficiencia del modelo con una alta precisión.
• La red propuesta ofrece una solución robusta para el diagnóstico cardiovascular en tiempo real, especialmente en entornos clínicos con recursos limitados.
• El conjunto de datos y el código desarrollados están a disposición del público para facilitar la investigación y la aplicación clínica.