Escalado de Núcleos 3D con Reparametrización de Frecuencia Bayesiana para Segmentación de Imágenes Médicas

Área de la Ciencia:

• Análisis de Imágenes Médicas
• Visión por Computadora
• Arquitecturas de Aprendizaje Profundo

Sus antecedentes:

• Los tamaños de núcleo grandes (LK) en las Redes Neuronales Convolucionales (CNN) tienen como objetivo aumentar el Campo Receptivo Efectivo (ERF) para la segmentación de imágenes médicas.
• Sin embargo, la saturación y degradación del rendimiento ocurren con núcleos excesivamente grandes, lo que dificulta el aprendizaje óptimo de la localidad.
• La Reparametrización Estructural (SR) mejora la convergencia con núcleos pequeños pero puede afectar la eficiencia computacional.

Objetivo del estudio:

• Proponer RepUX-Net, una arquitectura CNN pura que utiliza un novedoso diseño de bloque de gran núcleo para mejorar la segmentación de imágenes médicas.
• Abordar las limitaciones de las convoluciones tradicionales de gran núcleo y mejorar las propiedades de convergencia.
• Competir y superar las redes de segmentación de vanguardia (SOTA) existentes.

Principales métodos:

• Se desarrolló RepUX-Net, una arquitectura CNN que presenta un bloque de núcleo grande simple pero efectivo.
• Se derivó una equivalencia entre la reparametrización del núcleo y la variación de la convergencia del núcleo.
• Se introdujo la variación de la convergencia del núcleo elemento a elemento, inspirada en la frecuencia espacial, y se modeló como una priori bayesiana para la reparametrización de pesos durante el entrenamiento.
• Se utilizó una función recíproca para estimar valores ponderados por frecuencia para reescalar los elementos del núcleo en el descenso de gradiente estocástico.

Principales resultados:

• RepUX-Net demostró un rendimiento superior en comparación con los puntos de referencia 3D SOTA en seis conjuntos de datos públicos desafiantes.
• Se lograron mejoras consistentes en la Puntuación de Dice para validación interna (FLARE), validación externa (MSD, KiTS, LiTS, TCIA) y escenarios de aprendizaje por transferencia (AMOS).
• Superó consistentemente los métodos existentes, mostrando la eficacia del diseño propuesto de bloque de gran núcleo y la estrategia de reparametrización.

Conclusiones:

• RepUX-Net ofrece una alternativa competitiva y eficiente para la segmentación de imágenes médicas, superando a los métodos SOTA actuales.
• El método propuesto aborda eficazmente las limitaciones de las convoluciones de gran núcleo al incorporar la reparametrización inspirada en la frecuencia espacial.
• La arquitectura proporciona una base sólida para la investigación futura en análisis de imágenes médicas basado en aprendizaje profundo.