Slim UNETRV2: Segmentación de imágenes 3D para dispositivos médicos portátiles con recursos limitados

Área de la Ciencia:

• Imágenes médicas
• Visión por computadora
• Inteligencia artificial

Sus antecedentes:

• Los dispositivos médicos portátiles requieren una alta precisión, velocidad y bajo jitter de inferencia.
• Los modelos de segmentación híbridos basados en la atención mejoran la precisión pero aumentan la complejidad y reducen la velocidad.
• El despliegue práctico en entornos de recursos limitados es un desafío para modelos complejos.

Objetivo del estudio:

• Proponer Slim UNETRV2, un marco simplificado para la segmentación de imágenes médicas.
• Para reducir el tiempo de ejecución y el nerviosismo de inferencia para dispositivos médicos con recursos limitados.
• Para mejorar la precisión de segmentación manteniendo una alta velocidad operativa.

Principales métodos:

• Utilizó operaciones convolucionales básicas tanto en el codificador como en el decodificador del marco UNETRV2.
• Incorpora un bloque Slim UNETRV2 en las conexiones de salto en cada etapa jerárquica.
• Agregación de representaciones extraídas y mejora del procesamiento global a través del bloque propuesto.

Principales resultados:

• Slim UNETRV2 demostró un rendimiento superior en precisión, velocidad y jitter de inferencia en comparación con los modelos de última generación.
• Logró una precisión de dados del 93.89% y un HD95 de 2.90 mm en el conjunto de datos BraTS 2021.
• Superó a SegMamba al ser 16.7 veces más rápido con solo 0.225 ms de nerviosismo de inferencia.

Conclusiones:

• Slim UNETRV2 es una solución eficaz para la segmentación de imágenes médicas en dispositivos con recursos limitados.
• El marco simplificado equilibra la alta precisión con una velocidad mejorada y un jitter de inferencia reducido.
• El modelo propuesto facilita el despliegue práctico en aplicaciones de atención sanitaria del mundo real.