Segmentación de pólipos en imágenes de colonoscopia utilizando DeepLabV3+

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• Visión por computadora

Sus antecedentes:

• El cáncer colorrectal es una de las principales causas de muerte por cáncer en todo el mundo.
• La segmentación precisa del pólipo en la colonoscopia es crucial para el diagnóstico temprano.
• Los modelos de aprendizaje profundo existentes luchan con pequeños detalles y representación de características a múltiples escalas.

Objetivo del estudio:

• Desarrollar un modelo DeepLabv3++ mejorado para la segmentación de pólipos en imágenes de colonoscopia.
• Para aumentar la precisión y la robustez de la detección de pólipos.
• Reducir los errores de segmentación para una mejor toma de decisiones clínicas.

Principales métodos:

• Utilizado EfficientNetV2S para la extracción de características refinadas en el codificador.
• Los módulos integrados de agrupación de pirámides multiscala (MSPP) y de bloque de agregación de atención paralela (PAAB).
• Implementó un decodificador rediseñado para mejorar la transformación de características y la generación de mapas de segmentación.

Principales resultados:

• Se obtuvieron puntuaciones altas en el coeficiente Dice: 96,20% (CVC-ColonDB), 96,54% (CVC-ClinicDB) y 96,08% (Kvasir-SEG).
• Superó a varios modelos de última generación en segmentación de pólipos.
• Errores de segmentación significativamente reducidos (falsos positivos/negativos) para pólipos de todos los tamaños en comparación con la línea de base de DeepLabv3+.

Conclusiones:

• El modelo mejorado DeepLabv3 ++ demuestra un rendimiento superior en la segmentación de pólipos de colonoscopia.
• La integración de MSPP y un decodificador rediseñado mejora la capacidad del modelo para capturar características multiscala y direccionales.
• Este avance es vital para la delineación precisa de pólipos y la toma de decisiones clínicas en el cribado del cáncer colorrectal.