LOGSAGE: SALIENCIA BASADA EN REGISTROS PARA CODIFICACIÓN GUIADA EN LA SEGMENTACIÓN ROBUSTA DE NÚCLEOS DE IMÁGENES DE...

Área de la Ciencia:

• Biología computacional
• Análisis de imágenes médicas
• Investigación del cáncer

Sus antecedentes:

• El microambiente tumoral (TME) es crucial para la progresión del cáncer y la respuesta al tratamiento.
• La segmentación precisa de la arquitectura celular del TME en imágenes de inmunohistoquímica (IHQ) es compleja y desafiante.

Objetivo del estudio:

• Presentar LoGSAGE-Net, un novedoso modelo de aprendizaje profundo para mejorar la segmentación de imágenes de inmunohistoquímica.
• Mejorar la precisión y la robustez de la caracterización del microambiente tumoral.

Principales métodos:

• Se desarrolló LoGSAGE-Net, acoplando un Swin Transformer con la saliencia Laplaciana de Gauss (LoG).
• Se incorporó la pérdida de Dice y la alineación de curvatura en la función de pérdida del modelo.
• Se aplicó el modelo a una gran cohorte de datos preclínicos de inmunohistoquímica.

Principales resultados:

• LoGSAGE-Net demostró un rendimiento superior en comparación con los métodos de vanguardia.
• Se logró una alta puntuación de Dice del 94,92% para la segmentación de imágenes.
• Se obtuvo una puntuación de Calidad Panóptica (PQ) del 81%, lo que indica una excelente segmentación y clasificación.

Conclusiones:

• LoGSAGE-Net proporciona una solución robusta para la segmentación de imágenes complejas del TME.
• El modelo facilita una caracterización precisa del TME, apoyando el desarrollo de ensayos diagnósticos y terapéuticos sensibles.
• Este avance ayuda a comprender la progresión del cáncer y la respuesta al tratamiento.