Segmentación robusta de protones pulmonares y resonancia magnética de gas hiperpolarizado con transformadores de...

Área de la Ciencia:

• Imágenes y diagnósticos médicos
• Inteligencia artificial en el cuidado de la salud
• Ingeniería biomédica

Sus antecedentes:

• La segmentación de imágenes médicas precisas es vital para el diagnóstico y el monitoreo de la enfermedad, especialmente en las imágenes pulmonares que utilizan resonancia magnética de protones e hiperpolarizada.
• El ruido y los artefactos de la imagen, comunes en la resonancia magnética de gas hiperpolarizada debido a las adquisiciones de retención de aliento, desafían los algoritmos de segmentación convencionales.
• Los modelos de aprendizaje profundo ofrecen soluciones potenciales, pero su robustez a diferentes niveles de ruido necesita una evaluación exhaustiva.

Objetivo del estudio:

• Evaluar la robustez de los modelos de segmentación de aprendizaje profundo, específicamente las redes neuronales convolucionales (CNN) y los transformadores de visión (ViT), bajo diferentes niveles de ruido gaussiano.
• Para comparar el rendimiento de las arquitecturas basadas en CNN y ViT en la segmentación de los datos de resonancia magnética de protones y gases hiperpolarizados.
• Identificar los modelos de aprendizaje profundo más adecuados para una segmentación confiable en entornos de imágenes médicas con baja relación señal-ruido (SNR).

Principales métodos:

• Las arquitecturas de segmentación Feature Pyramid Network (FPN) y U-Net entrenadas y probadas que utilizan las columnas vertebrales CNN (VGG16, VGG19, ResNet152) y ViT (MiT-B0, B3, B5).
• Utilizó un conjunto de datos que incluía cortes de resonancia magnética de protones e hiperpolarizados de 56 participantes.
• Evalúa el rendimiento del modelo a través de diferentes niveles de ruido gaussiano agregado utilizando métricas como puntuaciones de dados y errores límite.

Principales resultados:

• Los modelos basados en ViT, particularmente aquellos con la columna vertebral SegFormer, superaron constantemente a los modelos basados en CNN en todas las métricas y condiciones de ruido probadas.
• La ventaja de rendimiento de los modelos ViT fue más significativa bajo altos niveles de ruido, demostrando puntuaciones superiores de Dice y errores límite reducidos.
• Los modelos de transformadores exhibieron una mayor resistencia a la degradación de la imagen en comparación con las arquitecturas tradicionales de CNN.

Conclusiones:

• Las arquitecturas de aprendizaje profundo basadas en ViT demuestran una robustez y precisión superiores para la segmentación de imágenes médicas en presencia de ruido.
• Estos hallazgos apoyan el despliegue de modelos ViT en entornos clínicamente relevantes y de baja SNR como la resonancia magnética de gas hiperpolarizada, mejorando la fiabilidad de la segmentación.
• El estudio subraya el potencial de los modelos de transformadores para superar las limitaciones de las CNN convencionales en escenarios de imágenes médicas desafiantes.