Modelo de segmentación adaptativa de dominio transmodal con conocimiento de la forma

Área de la Ciencia:

• Análisis de imágenes médicas
• Visión por computadora
• Inteligencia artificial

Sus antecedentes:

• La adaptación de dominio no supervisada (UDA) transmodal tiene problemas de generalización limitada debido a la subutilización de los priores de forma y las características intermedias.
• Los métodos existentes en segmentación transmodal a menudo no logran capturar eficazmente la información global y local, lo que afecta el rendimiento.

Objetivo del estudio:

• Proponer un novedoso modelo de segmentación, ponderación adaptativa con conocimiento de la forma (SAWS), para mejorar el rendimiento de la UDA transmodal.
• Mejorar la capacidad del modelo para percibir las áreas objetivo y capturar información global y local para una mejor segmentación.

Principales métodos:

• Desarrolló un módulo de percepción de forma en forma de tira multiángulo (MSSP) que utiliza la agrupación angular para capturar características de forma desde múltiples orientaciones.
• Introdujo una pérdida de contraste adaptativa ponderada (AWHC) para aprovechar las características intermedias y mejorar la segmentación de estructuras pequeñas.
• Evaluó el modelo SAWS en el conjunto de datos de segmentación de corazón completo multimodalidad (MMWHS) para la segmentación cardíaca transmodal.

Principales resultados:

• El modelo SAWS logró un rendimiento superior en tareas de segmentación cardíaca transmodal.
• Para TC→RM, SAWS obtuvo una puntuación Dice del 70,1% y una distancia de superficie simétrica promedio (ASSD) de 4,0.
• Para RM→TC, SAWS logró una puntuación Dice del 83,8% y una ASSD de 3,7, superando a los métodos de vanguardia.

Conclusiones:

• El método SAWS propuesto mejora eficazmente la capacidad de conciencia estructural y el rendimiento de generalización de los modelos UDA en la segmentación de imágenes médicas transmodales.
• SAWS demuestra avances significativos en la precisión y robustez de la segmentación en diferentes modalidades de imagen.
• El enfoque con conocimiento de la forma mejora la capacidad del modelo para manejar estructuras anatómicas complejas en imágenes médicas.