Preentrenamiento enmascarado de U-Net para la segmentación de imágenes de ultrasonido

Área de la Ciencia:

• Imágenes médicas
• Visión por computadora
• Inteligencia artificial

Sus antecedentes:

• La segmentación de imágenes de ultrasonido es crucial para el diagnóstico de enfermedades, especialmente en áreas rurales desatendidas.
• Los modelos actuales de U-Net luchan con imágenes de ultrasonido de baja calidad y datos etiquetados limitados, lo que dificulta el rendimiento.
• Los métodos existentes a menudo no aprovechan los abundantes datos de ultrasonido sin etiquetar de manera efectiva.

Objetivo del estudio:

• Mejorar el rendimiento de los modelos U-Net para la segmentación de imágenes de ultrasonido utilizando el aprendizaje auto-supervisado.
• Para abordar el desafío de los datos etiquetados limitados en escenarios comunes de ultrasonografía, como la detección de enfermedades raras.
• Introducir una variante más eficiente de U-Net adaptada para imágenes de ultrasonido.

Principales métodos:

• Se empleó una estrategia de entrenamiento previo auto-supervisado que incluía el enmascaramiento aleatorio de píxeles y la predicción de contenido.
• La arquitectura U-Net se adaptó a una variante ligera, MS-UNet, para mejorar la eficiencia.
• Los métodos propuestos se evaluaron en conjuntos de datos de imágenes de ultrasonido de pequeño tamaño en condiciones mínimas de datos etiquetados.

Principales resultados:

• El entrenamiento previo enmascarado aumentó significativamente el rendimiento de segmentación de U-Net, mostrando mejoras en la puntuación de Dice de 6 a 20 puntos porcentuales.
• La MS-UNet propuesta logró una alta precisión de segmentación con reducciones sustanciales en la complejidad computacional (80,3% de FLOP, 53,2% de parámetros).
• El enfoque utiliza efectivamente numerosas imágenes de ultrasonido sin etiqueta para mejorar la precisión de la segmentación.

Conclusiones:

• El entrenamiento previo enmascarado auto-supervisado es un método viable para mejorar el rendimiento de U-Net para la segmentación de imágenes de ultrasonido con datos etiquetados limitados.
• El modelo MS-UNet ofrece una alternativa computacionalmente eficiente y precisa para las tareas de segmentación de imágenes de ultrasonido.
• Esta investigación proporciona un enfoque valioso para mejorar las capacidades de diagnóstico en entornos con recursos limitados a través del análisis de imágenes impulsado por IA.