Segmentación eficiente de imágenes biomédicas en 3D mediante una red de agregación de transformadores multiscala en...

Área de la Ciencia:

• Análisis de imágenes médicas
• Inteligencia artificial en el cuidado de la salud
• Aprendizaje profundo para la segmentación

Sus antecedentes:

• La segmentación precisa de imágenes biomédicas en 3D es crucial para el diagnóstico clínico, la cirugía y el pronóstico.
• Los modelos de aprendizaje profundo existentes se enfrentan a desafíos para capturar simultáneamente características de imagen globales y locales para una segmentación precisa.

Objetivo del estudio:

• Desarrollar una solución de segmentación avanzada, el transformador con derivación paralela mixta (MPSTrans), para mejorar el análisis de imágenes biomédicas en 3D.
• Abordar las limitaciones de los métodos actuales en la captura integral de características y la sincronización a múltiples escalas.

Principales métodos:

• Se introdujo MPSTrans, un nuevo modelo de aprendizaje profundo con bloques 3D-MPST dentro de un marco en forma de U.
• Implementó una supervisión profunda en el decodificador para el aprendizaje de la representación jerárquica.
• Evaluación del rendimiento de los conjuntos de datos sobre cáncer de colon, múltiples órganos y multimodal.

Principales resultados:

• MPSTrans demostró mejoras significativas en el coeficiente de similitud de dados (DSC) y una reducción en la distancia de Hausdorff al 95% (HD95) en los datos de cáncer de colon.
• Se logró una reducción del 56,7% en la carga computacional (GFLOPs).
• Superó a los métodos convencionales como Swin UNETR, UNETR, nnU-Net, PHTrans y 3D U-Net en conjuntos de datos públicos (MSD, BCV, ACDC).

Conclusiones:

• MPSTrans ofrece una solución robusta y adaptable para la segmentación de imágenes biomédicas en 3D, mejorando la capacidad de diagnóstico.
• La capacidad del modelo para capturar características integrales y reducir la carga computacional lo posiciona como una herramienta de vanguardia para el análisis de imágenes médicas.