Aprendizaje semisupervisado de secuencias cruzadas para la delimitación visual basada en RM multiparamétrica | JoVE Visualize

Área de la Ciencia:

Neuroimagen
Análisis de imágenes médicas
Neurociencia computacional

Sus antecedentes:

La delimitación precisa de la vía visual (VP) es esencial para comprender la función del sistema visual y diagnosticar patologías relacionadas.
Los datos de RM multiparamétrica ofrecen información rica pero presentan desafíos en el modelado de relaciones entre secuencias y requieren datos etiquetados extensos para el entrenamiento.
Los métodos existentes luchan por integrar eficazmente la información complementaria de diversas secuencias de RM y están limitados por la necesidad de grandes conjuntos de datos anotados.

Objetivo del estudio:

Desarrollar un marco semisupervisado novedoso para la delimitación precisa de la vía visual (VP) que supere las limitaciones de los métodos existentes.
Modelar eficazmente las complejas relaciones entre secuencias dentro de los datos de RM multiparamétrica.
Abordar el desafío de la limitada cantidad de datos de entrenamiento etiquetados en tareas de segmentación de imágenes médicas.

Principales métodos:

Un marco de descomposición de características multiparamétricas semisupervisado que integra un módulo de descomposición de características con restricción de correlación (CFD).
El módulo CFD captura las características únicas de la secuencia de RM y facilita la fusión de información.
Un módulo de mejora de muestras basado en la consistencia (CSE) aprovecha los datos no etiquetados para generar y reforzar la información de los bordes, mitigando la necesidad de etiquetas extensas.

Principales resultados:

El marco propuesto se validó en dos conjuntos de datos públicos y un conjunto de datos de RM de difusión multiescala (MDM) interno.
Los resultados experimentales demostraron un rendimiento de delimitación superior en comparación con seis enfoques de vanguardia.
El marco manejó eficazmente las complejas relaciones entre secuencias y los escenarios con datos etiquetados limitados.

Conclusiones:

El marco desarrollado proporciona una solución robusta para la delimitación precisa de la vía visual (VP), abordando los desafíos clave en el análisis de RM multiparamétrica.
Este enfoque mejora la comprensión del sistema visual humano.
El método tiene un potencial significativo para mejorar el diagnóstico de trastornos relacionados con la vía visual.