DPGNet: Un marco de segmentación de imágenes médicas conscientes de los límites a través de la percepción de la...

Área de la Ciencia:

• Análisis de imágenes médicas
• La inteligencia artificial en la medicina
• Visión por computadora

Sus antecedentes:

• La segmentación precisa de imágenes médicas es crucial para el diagnóstico y la planificación del tratamiento.
• Los métodos existentes luchan con la delimitación precisa de las estructuras anatómicas complejas.
• Los modelos de aprendizaje profundo a menudo requieren extensos datos anotados y pueden ser computacionalmente intensivos.

Objetivo del estudio:

• Introducir DPGNet, un modelo de aprendizaje profundo adaptativo para la segmentación precisa de imágenes médicas.
• Para emular la percepción experta de los bordes anatómicos complejos utilizando un enfoque novedoso.
• Mejorar el equilibrio entre rendimiento y eficiencia computacional en modelos de segmentación.

Principales métodos:

• Una estrategia de refinamiento progresivo en tres etapas: contexto global, mejora de las características jerárquicas y delimitación de los límites locales.
• Un nuevo módulo de atención a la diferencia de borde (EDA) para cuantificar las incertidumbres de límite sin supervisión explícita.
• Una arquitectura ligera basada en transformadores para la eficiencia computacional.

Principales resultados:

• DPGNet demostró una superioridad consistente con respecto a los métodos más avanzados en diversos conjuntos de datos de imágenes médicas.
• Se ha logrado una alta precisión en el refinamiento de límites, validada por las métricas Boundary-IoU y HD95.
• Gastos generales computacionales significativamente más bajos con parámetros de 25,51 M en comparación con los modelos existentes.

Conclusiones:

• DPGNet ofrece una solución de alta precisión y eficiencia computacional para la segmentación de imágenes médicas.
• El modelo proporciona mapas explícitos de límites de incertidumbre, ayudando a los médicos a identificar regiones ambiguas.
• DPGNet mejora la precisión del diagnóstico y facilita resultados de segmentación clínica más precisos.