Video Experimental Relacionado
Updated: Jan 7, 2026
06:39
Three-dimensional Location Approach with Silk Thread Guided Laparoscopic Segmentectomy for Liver Tumor
Published on: May 23, 2025
356
Modelos fundacionales guiados para la segmentación semi-supervisada de tumores hepáticos en TC en vistas múltiples en
Yuchuan Jiang1, Yao Du2, Kai Xiong3
1Department of Gastroenterology, The Second Affiliated Hospital, Jiangxi Medical College, Nanchang University, Nanchang, Jiangxi, China. ndefy23386@ncu.edu.cn.
NPJ digital medicine
|December 30, 2025
Resumen
Este estudio presenta un nuevo pipeline de auto-segmentación de TC que aprende eficientemente de datos limitados. El método mejora la precisión de la segmentación del hígado y los tumores, ofreciendo una solución más rápida y fiable.
Área de la Ciencia:
- Imágenes Médicas
- Visión por Computadora
- Inteligencia Artificial
Sus antecedentes:
- La segmentación precisa de imágenes médicas, en particular de tomografías computarizadas (TC), es crucial para el diagnóstico y la planificación del tratamiento.
- Los entornos con recursos limitados a menudo enfrentan desafíos debido a la escasez de datos etiquetados para entrenar modelos de aprendizaje profundo.
- Los métodos existentes tienen dificultades con anotaciones limitadas, lo que afecta la precisión de la segmentación automatizada, especialmente para estructuras complejas como los tumores.
Objetivo del estudio:
- Desarrollar un pipeline eficiente en cuanto a etiquetas para la auto-segmentación de TC en entornos con recursos limitados.
- Mejorar el proceso de aprendizaje a partir de anotaciones escasas utilizando un marco novedoso.
- Mejorar la precisión y fidelidad de las máscaras de segmentación, especialmente para estructuras y contornos pequeños.
Principales métodos:
- Se empleó una columna vertebral de segmentación semi-supervisada junto con un regularizador guiado por un modelo fundacional.
- Se introdujo un procedimiento de aprendizaje colaborativo en vistas múltiples para explotar el contexto volumétrico y suprimir el ruido dependiente de la vista.
- El marco se evaluó en un conjunto de datos de referencia público de TC con diferentes números de escaneos etiquetados.
Principales resultados:
- El enfoque propuesto logró una alta precisión en un régimen con muy pocas etiquetas (20 casos etiquetados).
- Se obtuvieron puntuaciones Dice promedio del 83,79% para el hígado y del 60,08% para el tumor, superando a los métodos existentes.
- El método demostró mejoras significativas en la reducción del tiempo de contorneado, la mejora de la recuperación de estructuras pequeñas y la mejora de la fidelidad de los contornos.
Conclusiones:
- El pipeline desarrollado ofrece una solución eficiente en cuanto a etiquetas y precisa para la auto-segmentación de TC en entornos con recursos limitados.
- El enfoque reduce significativamente el tiempo de segmentación manual, lo que lo convierte en una solución práctica y lista para usar en la implementación clínica.
- Este método proporciona una base sólida para aplicaciones posteriores como la radiómica y la monitorización longitudinal.
