Difusión condicionada multietiqueta para la ampliación y segmentación de imágenes de RM cardiacas

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• Ingeniería biomédica

Sus antecedentes:

• La segmentación precisa de la resonancia magnética cardíaca es vital para el diagnóstico de enfermedades cardíacas y la planificación de tratamientos.
• La alta precisión de segmentación requiere grandes conjuntos de datos anotados, que son difíciles y costosos de adquirir.
• Los modelos de aprendizaje profundo para la segmentación dependen en gran medida de la cantidad y calidad de los datos de capacitación.

Objetivo del estudio:

• Desarrollar un nuevo marco de aumento de datos para la resonancia magnética cardíaca utilizando un modelo generativo de difusión guiado por la condición.
• Para abordar el desafío de los conjuntos de datos de resonancia magnética cardíaca con anotaciones limitadas.
• Mejorar el rendimiento de las tareas de segmentación cardíaca mediante conjuntos de datos mejorados.

Principales métodos:

• Se propuso un marco de aumento generativo de datos en dos etapas.
• Etapa 1: Un módulo de difusión de etiquetas generó máscaras espaciales realistas de múltiples categorías basadas en priores anatómicos.
• Etapa 2: Las imágenes de resonancia magnética cardíaca se generaron condicionadas en estas máscaras utilizando un módulo de normalización espacialmente adaptativo (SPADE) para la precisión estructural.

Principales resultados:

• El marco de aumento generativo aumentó significativamente el número de muestras de conjuntos de datos.
• La precisión de la segmentación cardíaca mejoró entre un 5% y un 10% en el coeficiente de similitud de dados (DSC) en comparación con los métodos tradicionales.
• Se observó una fuerte correlación entre la calidad de las imágenes generadas y la eficacia del aumento.

Conclusiones:

• El marco propuesto ofrece una solución sólida para la escasez de datos en el análisis de imágenes cardíacas.
• El aumento generativo de datos utilizando modelos de difusión guiados por condiciones puede mejorar sustancialmente las tareas de segmentación posterior.
• Este enfoque tiene beneficios directos para aplicaciones clínicas en el diagnóstico y manejo de enfermedades cardíacas.