Video Experimental Relacionado
Updated: Sep 10, 2025
Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
DYNAFormer: mejora de la segmentación del transformador con una máscara de anclaje dinámica para imágenes médicas
Tan-Cong Nguyen1, Kim Anh Phung2, Thao Thi Phuong Dao3
1University of Science, VNU-HCM, Ho Chi Minh City, Viet Nam; University of Social Sciences and Humanities, VNU-HCM, Ho Chi Minh City, Viet Nam; Vietnam National University, Ho Chi Minh City, Viet Nam.
Este estudio presenta DYNAFormer, un nuevo modelo de IA para segmentar pólipos colorrectales, y PolypDB_INS, un nuevo conjunto de datos. DYNAFormer mejora significativamente el diagnóstico de pólipos y la evaluación del riesgo de cáncer colorrectal.
Área de la Ciencia:
- Imágenes médicas
- Inteligencia artificial
- Visión por computadora
Sus antecedentes:
- La segmentación precisa de los pólipos colorrectales, en particular los tipos sesílicos y pedunculados, es crucial para el diagnóstico del cáncer y la evaluación del riesgo.
- Los conjuntos de datos y modelos existentes tienen limitaciones en la segmentación de estas formas específicas de pólipos, lo que dificulta la precisión del diagnóstico.
Objetivo del estudio:
- Para introducir PolypDB_INS, un conjunto de datos completo para la segmentación de pólipos.
- Proponer DYNAFormer, un nuevo modelo basado en transformadores para mejorar la segmentación de pólipos.
- Mejorar la precisión del diagnóstico de pólipos colorrectales y la evaluación del riesgo de cáncer a través de IA avanzada.
Principales métodos:
- Desarrollo del conjunto de datos PolypDB_INS con 4403 imágenes y 4918 pólipos sesílicos y pedunculados anotados.
- Propuesta de DYNAFormer, un modelo de transformador que emplea mecanismos guiados por máscaras de anclaje, atención cruzada, actualizaciones de consultas dinámicas y denociamiento de consultas.
- Evaluación utilizando una instancia estándar y métricas de segmentación semántica en el conjunto de datos PolypDB_INS.
Principales resultados:
- DYNAFormer demostró mejoras significativas en el rendimiento en comparación con los métodos de última generación en la segmentación de pólipos.
- Los estudios de ablación validaron la eficacia de los componentes individuales dentro del modelo DYNAFormer.
- Se confirmó la solidez del modelo en la segmentación de estructuras de pólipos complejos, lo que ayuda en las capacidades de diagnóstico.
Conclusiones:
- El conjunto de datos PolypDB_INS y el modelo DYNAFormer ofrecen una solución robusta para la segmentación de pólipos colorrectales.
- Los métodos propuestos mejoran la precisión del diagnóstico de pólipos, contribuyendo a una mejor evaluación del riesgo de cáncer colorrectal.
- Las herramientas de IA desarrolladas son prometedoras para su aplicación clínica en gastroenterología y oncología.
