SegTom: Un marco de segmentación de imágenes médicas volumétricas en 3D para estructuras anatómicas multiórgano...

Área de la Ciencia:

• Análisis de imágenes médicas
• Anatomía computacional
• Inteligencia artificial en el cuidado de la salud

Sus antecedentes:

• La segmentación precisa de las estructuras toracoabdominales es crucial para las decisiones clínicas.
• Los métodos existentes enfrentan desafíos en el procesamiento de datos anatómicos complejos y variados.
• La segmentación subóptima tiene un impacto en el diagnóstico, la planificación del tratamiento y el manejo de la enfermedad.

Objetivo del estudio:

• Se presenta SegTom, un nuevo marco de segmentación volumétrica.
• Abordar las limitaciones de las técnicas actuales de segmentación toracoabdominal.
• Mejorar la captura de representaciones anatómicas complejas en imágenes médicas.

Principales métodos:

• Desarrolló SegTom, un marco con un Bloque SegTom especializado.
• Descomposición de la representación anatómica jerárquica incorporada dentro del bloque SegTom.
• Optimizado el intercambio de información mediante la descomposición y la agregación de mecanismos de auto-atención.

Principales resultados:

• Validado SegTom a través de nueve diferentes conjuntos de datos de TC y RM.
• Logró un alto rendimiento en la segmentación de varias estructuras anatómicas.
• Se demostró un coeficiente de similitud de dados (DSC) promedio del 87,29% para la segmentación por resonancia magnética cardíaca.
• Se ha reportado un 83,48% de DSC para la segmentación de múltiples órganos de la TC abdominal.
• Se logró un 92,01% de DSC para la segmentación CT de las vías respiratorias.

Conclusiones:

• SegTom ofrece una solución robusta y eficiente para la segmentación toracoabdominal.
• El marco demuestra un rendimiento superior en múltiples modalidades de imagen y objetivos anatómicos.
• SegTom muestra un potencial significativo para mejorar la toma de decisiones clínicas y los resultados de los pacientes.