Segmentación mejorada de lesiones cerebrales por accidente cerebrovascular en resonancia magnética utilizando un...

Área de la Ciencia:

• Análisis de imágenes médicas
• Aprendizaje profundo
• Imágenes neurológicas

Sus antecedentes:

• La segmentación precisa de las lesiones cerebrales por resonancia magnética es crucial para el diagnóstico y la planificación del tratamiento.
• Los métodos existentes se enfrentan a desafíos para equilibrar la precisión y la complejidad computacional.

Objetivo del estudio:

• Desarrollar y evaluar un nuevo modelo de aprendizaje profundo para la segmentación precisa de lesiones cerebrales.
• Mejorar la arquitectura U-Net con una red troncal basada en transformadores y un enfoque 2.5D.

Principales métodos:

• Implementó un modelo U-Net con una red troncal del transformador de visión mixta (MiT).
• Utilizó un método 2.5D para procesar las rebanadas de datos de resonancia magnética 3D.
• El rendimiento evaluado en el conjunto de datos ISLES de 2015 utilizando la validación cruzada de cuatro veces.

Principales resultados:

• El U-Net propuesto con el esqueleto MiT y el método 2.5D logró un rendimiento superior.
• Se obtiene un coeficiente de dados de 0,8153 ± 0,0101 y un coeficiente de fluidez de 0,7835 ± 0,0079.
• Superó a otros modelos de última generación, incluidos los basados en CNN UNet, nnU-Net, TransUNet y SwinUNet.

Conclusiones:

• La integración de las columnas vertebrales del transformador y las técnicas 2.5D avanza significativamente en la segmentación de la lesión cerebral por accidente cerebrovascular.
• El modelo desarrollado ofrece una herramienta más fiable y eficiente para aplicaciones de diagnóstico clínico.