U-Net híbrido de codificador multivista para segmentación de imágenes médicas vasculares renales 3D

Área de la Ciencia:

• Imágenes Médicas; Ingeniería Biomédica; Anatomía Computacional

Sus antecedentes:

• La segmentación precisa de los vasos de la arteria renal es crucial para comprender la salud cardiovascular.
• Los métodos existentes enfrentan desafíos para capturar características morfológicas detalladas como el tamaño, la forma y los ángulos de ramificación.

Objetivo del estudio:

• Desarrollar y evaluar una U-Net híbrida de codificador multivista para mejorar la segmentación de los vasos de la arteria renal.
• Mejorar la extracción y representación de estructuras vasculares intrincadas en tejidos humanos.

Principales métodos:

• Se propuso una arquitectura U-Net híbrida de codificador multivista, que utiliza un codificador jerárquico con módulos CNN ligeros y módulos híbridos CNN/Transformer.
• El modelo procesa imágenes 2D de tres vistas ortogonales, preservando la resolución espacial para mantener detalles finos.
• El enfoque se centra en mejorar la extracción y representación de características para una segmentación detallada.

Principales resultados:

• El método propuesto logró un valor de Dice de Superficie Media (MSD) de 0.852 y un Coeficiente de Similitud de Dice (DSC) de 0.939 en datos de riñón no vistos.
• Estos resultados demuestran una alta precisión en la segmentación de los vasos de la arteria renal, preservando características morfológicas sutiles.
• El mecanismo de codificación híbrido demostró ser eficaz para mejorar la extracción y representación de características.

Conclusiones:

• La U-Net híbrida de codificador multivista desarrollada es eficaz para la segmentación detallada de la arteria renal.
• La capacidad del modelo para preservar la resolución espacial y capturar detalles finos contribuye a su alto rendimiento.
• Se recomienda una validación adicional en diversos conjuntos de datos y modalidades para confirmar la generalización.