Video Experimental Relacionado
Updated: Sep 10, 2025
04:48
Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.9K
A3-DualUD: Adaptación de dominio no supervisada sin fuente a través de la alineación de anclaje anatómico y la
Jie Zhou1, Yulong Shi1, Lin Qi2
1College of Medicine and Biological Information Engineering, Northeastern University, Shenyang 110000, China.
Computer methods and programs in biomedicine
|August 21, 2025
Resumen
Este estudio introduce un nuevo método de adaptación de dominio sin supervisión (SFUDA) para la segmentación de imágenes médicas. El enfoque aborda efectivamente las discrepancias de dominio sin necesidad de datos de origen, mejorando la precisión de la segmentación entre modalidades.
Área de la Ciencia:
- Imágenes médicas
- Visión por computadora
- Inteligencia artificial
Sus antecedentes:
- La segmentación automática de imágenes médicas es vital para el diagnóstico y la planificación del tratamiento.
- Las discrepancias de dominio entre modalidades plantean desafíos para los algoritmos de segmentación.
- Se explora la adaptación de dominio sin supervisión (UDA) para la segmentación entre modalidades, pero los métodos tradicionales requieren acceso a los datos de origen.
Objetivo del estudio:
- Desarrollar un nuevo marco de adaptación de dominio sin supervisión (SFUDA) para la segmentación de imágenes médicas entre modalidades.
- Permitir la transferencia de conocimiento desde un modelo de origen previamente entrenado a un dominio objetivo sin etiqueta sin acceder a los datos de origen.
- Superar las limitaciones de privacidad y almacenamiento asociadas con el acceso a datos de origen en IA médica.
Principales métodos:
- Propuso un marco SFUDA que incorpora el alineamiento de anclaje anatómico (A3).
- A3 extrae anclas anatómicas del dominio de origen y las alinea con las características del dominio de destino a través de restricciones bidireccionales.
- Introducción de la desinformación de doble trayectoria (DualUD) para una supervisión confiable durante la adaptación del dominio.
Principales resultados:
- Se ha demostrado el estado de la técnica en las tareas de segmentación multiorgánico entre modalidades.
- Los experimentos se llevaron a cabo en conjuntos de datos abdominales y cardíacos.
- El enfoque propuesto reduce efectivamente las discrepancias de distribución a nivel de características.
Conclusiones:
- La alineación anatómica del anclaje y la incertidumbre de doble trayectoria denoisan efectivamente las discrepancias de dominio y las preocupaciones de privacidad.
- El marco proporciona una solución sólida para SFUDA en imágenes médicas.
- El código fuente está disponible públicamente para la reproducibilidad y la investigación adicional.
