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

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.