Guía de entropía para anotación parcial para segmentación de costillas entre dominios

Área de la Ciencia:

• Imágenes Médicas
• Inteligencia Artificial
• Visión por Computadora

Sus antecedentes:

• El aprendizaje profundo para imágenes médicas, específicamente la segmentación de costillas, enfrenta desafíos debido a la escasez de datos de tomografía computarizada (TC) anotados por expertos.
• El cambio de dominio limita la aplicabilidad del modelo entre diferentes conjuntos de datos clínicos, lo que requiere una re-anotación costosa para la adaptación.
• Los métodos semisupervisados existentes a menudo implican la anotación a nivel de muestra, lo que genera redundancia y altos costos para TC completas.

Objetivo del estudio:

• Proponer un método semisupervisado novedoso, Anotación Parcial Guiada por Entropía (EGPA), para reducir la carga de anotación para la segmentación de costillas.
• Mejorar el entrenamiento del modelo desde cero y la adaptación entre dominios seleccionando inteligentemente regiones informativas para la anotación.
• Demostrar la efectividad de EGPA para lograr una alta precisión de segmentación con un esfuerzo de anotación significativamente reducido.

Principales métodos:

• Desarrolló el método de Anotación Parcial Guiada por Entropía (EGPA), utilizando métricas de entropía para identificar regiones óptimas para la anotación.
• Integró el aprendizaje contrastivo, el aprendizaje activo y las estrategias de autoentrenamiento dentro del marco EGPA.
• Evaluó EGPA en conjuntos de datos de TC de tórax públicos (RibSegV2) y privados para la segmentación de costillas.

Principales resultados:

• EGPA logró puntuaciones Dice del 89,5% en el dominio de origen y del 90,7% en el dominio de destino.
• El rendimiento se acercó mucho a los modelos totalmente supervisados (89,9% y 91,2%) utilizando solo el 19% y el 18% de la carga de trabajo de anotación, respectivamente.
• Demostró una reducción significativa en el costo y el tiempo de anotación tanto para el entrenamiento inicial como para la adaptación entre dominios.

Conclusiones:

• EGPA reduce sustancialmente el esfuerzo de anotación para la segmentación de costillas, haciéndola más factible para aplicaciones clínicas.
• El método aborda eficazmente los desafíos del cambio de dominio, lo que permite una implementación más fácil de las herramientas de segmentación en diferentes conjuntos de datos.
• EGPA facilita la creación de conjuntos de datos anotados de alta calidad, promoviendo un análisis de costillas estandarizado y eficiente en entornos clínicos.