MIE: Método de conjunto integrado de aumento para mejorar la segmentación de glomérulos en imágenes médicas

Área de la Ciencia:

• Nefrología
• Patología computacional
• Análisis de imágenes médicas

Sus antecedentes:

• Los glomérulos son vitales para la función renal, pero su detección tradicionalmente se basa en la interpretación humana subjetiva.
• Los modelos de IA existentes para la segmentación de glomérulos a menudo luchan con imágenes de diferentes ampliaciones.

Objetivo del estudio:

• Desarrollar y evaluar un nuevo método de conjunto integrado con ampliación para mejorar la segmentación de los glomérulos.
• Mejorar la precisión y la robustez de la detección de glomérulos basada en IA en diferentes ampliaciones de imagen.

Principales métodos:

• Se utilizaron imágenes de riñón de diapositiva completa, con parches extraídos en múltiples niveles de aumento (x2, x3, x4).
• Se aplicaron técnicas de aumento de datos para mejorar el conjunto de datos de formación.
• Se entrenó un modelo de segmentación, U-Net, utilizando el descenso de gradiente estocástico (SGD) con el método conjunto propuesto.

Principales resultados:

• El rendimiento del modelo de IA se degradó significativamente cuando se probó en ampliaciones diferentes del entrenamiento.
• El método de conjunto integrado con ampliación demostró una mejor precisión de segmentación.
• El modelo U-Net obtuvo 87.72 mIoU y 93.04 puntos de dados utilizando el método propuesto.

Conclusiones:

• El método de conjunto integrado de ampliación propuesto mejora efectivamente la precisión de la segmentación de glomérulos a través de diferentes ampliaciones.
• Este enfoque supera las limitaciones de los modelos de ampliación fija, aumentando la confiabilidad de las herramientas de diagnóstico de IA.
• El método ofrece un rendimiento constante para aplicaciones de imágenes médicas, mejorando la consistencia del diagnóstico.