VM-Unet mejorado con extracción de rasgos piramidales a escala múltiple para la segmentación de tejidos articulares...

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• Ingeniería biomédica

Sus antecedentes:

• La segmentación precisa de la articulación de la rodilla en imágenes médicas es crucial para diagnosticar lesiones y mejorar el tratamiento.
• Los modelos Vision Mamba existentes sobresalen en el contexto global, pero luchan con la textura local y las características de escala múltiple, lo que limita la segmentación de tejidos pequeños como el cartílago.
• Esta limitación dificulta el análisis preciso de las estructuras de la rodilla en imágenes médicas.

Objetivo del estudio:

• Proponer un nuevo marco multi-escala Vision Mamba Unet (VM-Unet), llamado MSPF-VM-Unet, para mejorar la segmentación de las imágenes de resonancia magnética de rodilla.
• Para mejorar la segmentación de las estructuras clave de la rodilla, incluidos el fémur, la tibia, el cartílago femoral y el cartílago tibial.
• Abordar las limitaciones de los modelos existentes para capturar la textura local e integrar características de múltiples escalas.

Principales métodos:

• Desarrolló el marco MSPF-VM-Unet, extendiendo VM-Unet con una red de extracción de características de pirámide a escala múltiple (MPSK).
• MPSK integra la extracción de características de resolución múltiple con la atención del espacio del canal, utilizando la convolución selectiva del núcleo (SK) y el agrupamiento piramidal para una mayor extracción de características locales.
• El marco combina el contexto global de Vision Mamba con las características de escala múltiple de MPSK para la optimización coordinada de la fusión de características y el modelado de dependencias de largo alcance.

Principales resultados:

• Los experimentos con el conjunto de datos OAI-ZIB demostraron que MSPF-VM-Unet mejora significativamente la precisión de la segmentación.
• El modelo muestra una mayor precisión de los límites para los tejidos articulares tibiofemorales.
• Se observó una mejor coherencia regional en la segmentación de las imágenes de resonancia magnética de rodilla.

Conclusiones:

• MSPF-VM-Unet aborda efectivamente las limitaciones de Vision Mamba en la extracción de características a escala múltiple y el modelado de textura local para la segmentación de resonancia magnética de rodilla.
• El marco propuesto logra un rendimiento de segmentación superior, particularmente para estructuras anatómicas más pequeñas como el cartílago.
• Este avance es prometedor para un diagnóstico más preciso y una planificación eficaz del tratamiento en la imagen de la articulación de la rodilla.