Video Experimental Relacionado
Updated: Sep 9, 2025
Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
Segmentación de imágenes médicas 2D generalizable a través de una red de fusión de frecuencia espacial guiada por
Xiang Pan1, Zhihao Shi2, Herong Zheng3
1Colleague of Computer Science and Technology, Zhejiang University of Technology, No. 288 Liuhe Road, Xihu District, Hangzhou, Hangzhou, Zhejiang, 310014, CHINA.
Este estudio introduce un nuevo método de fusión guiado por ondulaciones para la segmentación de imágenes médicas, mejorando la precisión en diferentes dominios de imágenes. La nueva técnica mejora la generalización mediante la integración de características espaciales y de frecuencia, superando los enfoques existentes en datos no vistos.
Área de la Ciencia:
- Imágenes médicas
- Visión por computadora
- Procesamiento de señales
Sus antecedentes:
- La segmentación de imágenes médicas es crucial para el diagnóstico, pero lucha con los cambios de dominio causados por diferentes protocolos y artefactos de imagen.
- Los métodos existentes a menudo no logran integrar información espacial a escala múltiple con detalles de frecuencia localizados, lo que dificulta el rendimiento en diferentes dominios de imágenes médicas.
- Esta limitación requiere nuevos enfoques para una segmentación de imágenes médicas robustas que puedan generalizarse en diversos conjuntos de datos.
Objetivo del estudio:
- Proponer un nuevo marco, WGSF-Net, que unifique las representaciones espaciales y de frecuencia wavelet para una mejor segmentación de imágenes médicas.
- Abordar el desafío de la generalización del dominio en la segmentación de imágenes médicas mediante la integración efectiva de señales estructurales de múltiples escalas y firmas de frecuencia localizadas.
- Mejorar la preservación de los límites anatómicos en las imágenes médicas, especialmente bajo cambios de dominio.
Principales métodos:
- Desarrolló un marco novedoso que emplea la fusión guiada por ondas para combinar representaciones espaciales y de ondas.
- Se introdujo un mecanismo de atención a escala múltiple guiado por ondulaciones para descomponer las características en subbandas direccionales, capturando patrones estructurales invariables de dominio.
- Implementó una estrategia de fusión lateral adaptativa para la alineación dinámica de las características del decodificador refinadas en frecuencia con conexiones de salto mejoradas espacialmente.
Principales resultados:
- El método propuesto logró un rendimiento de vanguardia en conjuntos de datos de dermoscopia, ultrasonido y microscopia, lo que demuestra una fuerte generalización a dominios no vistos.
- WGSF-Net mostró mejoras significativas en las puntuaciones de Dice en comparación con los métodos anteriores, con ganancias de hasta un 1,5% en dermoscopia, un 2,0% en ultrasonido y un 13,9% en microscopia en entornos invisibles.
- El enfoque de fusión de frecuencia espacial guiada por ondulaciones mejoró efectivamente las capacidades de generalización en la segmentación de imágenes médicas en 2D.
Conclusiones:
- La fusión de frecuencia espacial guiada por ondulaciones es una estrategia efectiva para mejorar la generalización de modelos de segmentación de imágenes médicas en 2D.
- El marco WGSF-Net propuesto aborda con éxito las limitaciones de los métodos existentes para manejar las variaciones entre dominios.
- Este enfoque ofrece una dirección prometedora para desarrollar herramientas de segmentación de imágenes médicas más robustas y confiables en diversas aplicaciones clínicas.
