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
TransSeg: Transformador de palanca con atención de canal y memoria semántica para segmentación de ultrasonido
IEEE journal of biomedical and health informatics
|August 25, 2025
Resumen
Este estudio presenta TransSeg, una nueva red de segmentación semi-supervisada para analizar la progresión de la cabeza fetal durante el parto utilizando ultrasonido. TransSeg reduce la dependencia de la anotación manual de datos, mejorando las aplicaciones clínicas en tiempo real.
Área de la Ciencia:
- Imágenes médicas
- Inteligencia artificial
- Obstetricia y parto
Sus antecedentes:
- La ecografía transperineal proporciona imágenes midsagitales en tiempo real durante el parto para la evaluación de la cabeza fetal.
- La segmentación precisa de la sínfisis púbica y la cabeza fetal es crucial para calcular el ángulo de progresión (AoP).
- Los métodos actuales de segmentación de aprendizaje profundo requieren anotaciones manuales extensas, lo que limita el uso práctico.
Objetivo del estudio:
- Desarrollar una innovadora red de segmentación semisupervisada (TransSeg) para el análisis de la posición de la cabeza fetal.
- Para superar la dependencia de datos de los modelos de segmentación existentes en entornos clínicos.
- Mejorar la utilización de datos de ultrasonido no etiquetados para mejorar la precisión de la segmentación.
Principales métodos:
- Desarrolló TransSeg, una red basada en Transformer que utiliza una columna vertebral Vision Transformer.
- Se introdujo un mecanismo de atención cruzada por canal (CCA) para integrar características de muestra sin etiqueta en el espacio de características etiquetadas.
- Implementó un módulo de almacenamiento de información semántica (S-InfoStore) y una estrategia de actualización semántica del canal (CSU) para la representación dinámica de características.
Principales resultados:
- TransSeg demostró un rendimiento superior en todas las métricas de evaluación en el conjunto de datos FH-PS-AoP.
- El mecanismo de CCA reconstruyó efectivamente las características sin etiqueta, avanzando en la segmentación semisupervisada.
- Las estrategias S-InfoStore y CSU mejoraron significativamente la utilización de los datos no etiquetados en el modelo.
Conclusiones:
- TransSeg ofrece una solución efectiva y avanzada para la segmentación semántica semisupervisada en imágenes médicas.
- El método propuesto reduce la necesidad de conjuntos de datos anotados a gran escala en el análisis clínico de ultrasonido.
- TransSeg muestra un potencial significativo para mejorar la evaluación cuantitativa en tiempo real del descenso de la cabeza fetal durante el parto.

