Una red de codificadores de doble rama basada en UNet de compresión y excitación y transformador para la segmentación...

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• La radiomía

Sus antecedentes:

• La segmentación manual del tumor requiere mucho tiempo y conocimientos especializados.
• La segmentación precisa del tumor es crucial para la práctica clínica y el análisis radiómico.
• El aprendizaje profundo ofrece un enfoque prometedor para automatizar la segmentación tumoral.

Objetivo del estudio:

• Desarrollar un modelo de segmentación tumoral preciso y automatizado mediante la integración de datos de PET y CT.
• Mejorar la precisión de segmentación mediante el aprovechamiento de una nueva arquitectura de codificador de doble rama y mecanismos de atención.
• Validar el modelo TASE-UNet propuesto en un conjunto de datos de referencia desafiante.

Principales métodos:

• Se diseñó una nueva arquitectura de codificador de doble rama basada en SE-UNet y Transformer.
• Se incorporó un módulo de atención de bloque convolucional 3D (CBAM) a las conexiones de salto.
• Se utilizó la pérdida de entropía cruzada binaria (BCE) durante la fase de entrenamiento.
• El modelo, denominado TASE-UNet, fue evaluado en el conjunto de datos HECKTOR2022.

Principales resultados:

• TASE-UNet logró una precisión de segmentación de vanguardia en el conjunto de datos HECKTOR2022.
• El modelo obtuvo un coeficiente de similitud de dados (DSC) de 76.10% y una distancia de Hausdorff 95 (HD95) de 3.27.
• El análisis comparativo demostró un rendimiento superior al de los métodos de última generación existentes.

Conclusiones:

• El modelo TASE-UNet desarrollado es eficaz y fiable para la segmentación automática del tumor.
• La integración de datos de imagen multimodal (PET y CT) mejora el rendimiento de la segmentación.
• La arquitectura propuesta y los mecanismos de atención contribuyen a mejorar la precisión de la segmentación.