Hacia una segmentación genérica de múltiples órganos abdominales con múltiples conjuntos de datos parcialmente...

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• Visión por computadora

Sus antecedentes:

• Los conjuntos de datos médicos disponibles públicamente permiten el desarrollo de un modelo de segmentación universal.
• Los métodos actuales luchan con datos parcialmente etiquetados, cambios de dominio entre sitios y subutilización de datos sin etiqueta.

Objetivo del estudio:

• Introducir un nuevo marco, GAMOS (segmentación genérica de múltiples órganos abdominales), para una segmentación robusta de imágenes médicas.
• Para abordar los desafíos en el etiquetado parcial, los cambios de dominio y el aprovechamiento de datos sin etiqueta en tareas de segmentación médica.

Principales métodos:

• GAMOS integra modelos de difusión con una estrategia de auto-guía para el etiquetado parcial.
• Se utiliza un mecanismo de autodestilación para utilizar eficazmente los datos no etiquetados.
• La escasa memoria semántica y una escasa pérdida de similitud mitigan los cambios de dominio y mejoran la consistencia de la representación.

Principales resultados:

• GAMOS logró un coeficiente de similitud de dados (DSC) promedio de 91.33% y un percentil promedio de distancia de Hausdorff (HD95) de 1.83 en las regiones etiquetadas en primer plano.
• Para las regiones de primer plano sin etiquetar, GAMOS obtuvo un DSC medio del 86,88% y un HD95 medio del 3,85.
• El marco demostró un rendimiento superior y una capacidad de generalización en comparación con los métodos más avanzados.

Conclusiones:

• GAMOS ofrece una solución poderosa para la segmentación genérica de múltiples órganos abdominales, sobresaliendo con datos parcialmente etiquetados y no etiquetados.
• Los métodos propuestos abordan efectivamente los cambios de dominio y mejoran la utilización de diversos conjuntos de datos de imágenes médicas.