Fusión de ConvTNet: Un marco robusto de transformador-CNN para la clasificación de varias clases, la fusión de...

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• En el campo de la oncología

Sus antecedentes:

• Las imágenes médicas son vitales para diagnosticar la estructura y la función de los órganos.
• La segmentación automatizada de imágenes ayuda al diagnóstico y la planificación del tratamiento, pero enfrenta desafíos como el desequilibrio de clase y los límites complejos de los tejidos.
• La segmentación precisa de las imágenes de TC renal es fundamental para un tratamiento eficaz del cáncer de riñón.

Objetivo del estudio:

• Desarrollar y evaluar ConvTNet, un nuevo modelo híbrido que combina las características de Transformer y Convolutional Neural Network (CNN) para mejorar la segmentación de imágenes de TC renal.
• Abordar los desafíos en la segmentación de las imágenes de TC renal, incluido el desequilibrio de clase y los límites ambiguos de los tejidos.
• Mejorar la precisión del diagnóstico del cáncer de riñón a través de una segmentación de imagen superior.

Principales métodos:

• Desarrolló ConvTNet, un modelo híbrido que integra las arquitecturas Transformer y CNN con mecanismos de atención y fusión de funciones.
• Incorpora el módulo KC para centrarse en regiones críticas y el módulo Mix-KFCA para la fusión de características a escala múltiple.
• Implementación de estrategias innovadoras de preprocesamiento: reducción de ruido, aumento de datos y normalización de imágenes.
• Utilizó el aprendizaje de transferencia ajustando cinco modelos previamente entrenados para mejorar las capacidades de extracción de características.

Principales resultados:

• ConvTNet demostró un rendimiento excepcional en la clasificación de etiquetas múltiples y la segmentación de lesiones.
• Se obtuvieron métricas altas: AUC de 0,9970, sensibilidad de 0,9942, coeficiente de similitud de dados (DSC) de 0,9533 y precisión de 0,9921.
• El modelo delineó efectivamente el tejido renal sano de las estructuras circundantes y manejó los límites ruidosos.

Conclusiones:

• ConvTNet mejora significativamente la precisión de la segmentación de imágenes de TC renal.
• El rendimiento del modelo híbrido valida su eficacia para el diagnóstico preciso del cáncer renal.
• ConvTNet ofrece una solución robusta para tareas de segmentación complejas en imágenes médicas.