Funciones de pérdida ponderadas por incertidumbre y dureza para la segmentación de imágenes médicas

Área de la Ciencia:

• Análisis de Imágenes Médicas
• Aprendizaje Profundo
• Visión por Computadora

Sus antecedentes:

• La segmentación precisa de imágenes médicas es crucial para el diagnóstico y la planificación del tratamiento.
• Los modelos actuales de aprendizaje profundo a menudo tienen dificultades con errores de segmentación, especialmente en los límites de los objetos, debido a incertidumbres y durezas a nivel de píxel no abordadas.
• Las funciones de pérdida existentes no tienen en cuenta adecuadamente las variaciones en la dificultad de la predicción entre píxeles.

Objetivo del estudio:

• Desarrollar nuevas funciones de pérdida ponderadas por incertidumbre y dureza para mejorar la segmentación de imágenes médicas.
• Abordar las limitaciones de las funciones de pérdida existentes en el manejo de las incertidumbres de predicción a nivel de píxel y la dureza.
• Mejorar la precisión de los modelos de segmentación basados en aprendizaje profundo, particularmente en regiones de límites desafiantes.

Principales métodos:

• Se introdujeron dos esquemas de ponderación a nivel de píxel: pesos de incertidumbre guiada por probabilidad (PGU) y pesos de dureza mejorada por región (REH).
• Se derivaron pesos a partir de las diferencias entre las predicciones de la red y las verdades fundamentales para enfatizar los píxeles difíciles.
• Se integraron las nuevas funciones de pérdida con las arquitecturas Swin-Unet y V-Net para tareas de segmentación 2D y 3D.
• Se validó el enfoque en cuatro conjuntos de datos diversos: REFUGE, RETA, OCT y ASC.

Principales resultados:

• Las funciones de pérdida ponderadas por incertidumbre/dureza propuestas superaron significativamente a las funciones de pérdida clásicas como la pérdida de entropía cruzada (CE) y la pérdida de Dice.
• Demostraron un rendimiento superior en múltiples conjuntos de datos y tareas de segmentación, lo que indica eficacia y generalización.
• Lograron una segmentación más precisa, especialmente en las regiones de los límites de los objetos, al manejar eficazmente las incertidumbres a nivel de píxel.

Conclusiones:

• Las funciones de pérdida ponderadas por incertidumbre/dureza desarrolladas representan un avance significativo en la segmentación de imágenes médicas.
• Estos nuevos esquemas de ponderación abordan eficazmente las incertidumbres de predicción a nivel de píxel y la dureza, lo que conduce a una mayor precisión de la segmentación.
• Los métodos propuestos muestran un gran potencial para mejorar diversas aplicaciones de análisis de imágenes médicas basadas en aprendizaje profundo.