MFR-UNet: Una Red de Segmentación de Imágenes Médicas con Refinamiento de Características Multi-Escala Fusionadas

Área de la Ciencia:

• Imágenes Médicas
• Visión por Computadora
• Aprendizaje Profundo

Sus antecedentes:

• La segmentación de imágenes médicas es vital para el diagnóstico clínico y la planificación del tratamiento.
• Los métodos actuales basados en Redes Neuronales Convolucionales (CNN), como U-Net, enfrentan desafíos para capturar dependencias a largo plazo e integrar características de múltiples niveles.
• Los modelos existentes tienen dificultades para refinar las representaciones de características y fusionar eficientemente la información entre diferentes niveles de la red.

Objetivo del estudio:

• Proponer una novedosa arquitectura U-Net, la U-Net de refinamiento de características multiescala (MFR-UNet), para mejorar la segmentación de imágenes médicas.
• Abordar las limitaciones en la captura de dependencias a largo plazo, el refinamiento de características de múltiples niveles y la integración de información inter-niveles.
• Mejorar la precisión, robustez y claridad de los límites en la segmentación de imágenes médicas.

Principales métodos:

• Se desarrolló una novedosa arquitectura U-Net (MFR-UNet) que incorpora tres módulos clave: Convolución de Transformada Wavelet (WtConv), Atención de Campo Receptivo Grande (LRFA) y Fusión Contextual Ponderada (WCF).
• El módulo WtConv procesa características en el dominio de la frecuencia para un aprendizaje preciso de detalles de alta frecuencia y contornos de baja frecuencia.
• El módulo LRFA en el codificador utiliza convoluciones separables profundas y atención multienfocada para capturar eficientemente el contexto global.
• El módulo WCF en las conexiones de salto y la ruta de decodificación fusiona adaptativamente las secuencias de características utilizando pesos de atención de canal dinámicos.

Principales resultados:

• La MFR-UNet demostró un rendimiento superior en comparación con varios métodos convencionales en múltiples conjuntos de datos públicos de segmentación de imágenes médicas.
• Se lograron mejoras significativas en métricas clave de segmentación, incluido el coeficiente Dice y la Intersección sobre Unión (IoU).
• Los módulos propuestos mejoraron eficazmente la precisión de la segmentación y la claridad de los límites segmentados.

Conclusiones:

• La MFR-UNet aborda eficazmente las limitaciones de las variantes U-Net existentes en la segmentación de imágenes médicas.
• La integración de los módulos WtConv, LRFA y WCF conduce a una representación y fusión de características mejoradas, impulsando el rendimiento de la segmentación.
• La MFR-UNet muestra un potencial significativo para mejorar el diagnóstico clínico y la planificación del tratamiento a través de una segmentación de imágenes médicas precisa y robusta.