Video Experimental Relacionado
Updated: Jan 7, 2026
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
721
Segmentación tridimensional de arterias y venas abdominales mediante transformadores de visión y adaptación de
Panpan Wu1, Yurou Xu1, Ziping Zhao1
1College of Computer and Information Engineering, Tianjin Normal University, Tianjin 300387, People's Republic of China.
Physics in medicine and biology
|December 31, 2025
Resumen
Este estudio presenta Adaptive MAE-UNETR para la segmentación de estructuras vasculares abdominales en TC 3D. El novedoso marco combina el preentrenamiento de autoencoder enmascarado y la adaptación de dominio adversaria para mejorar la precisión y la generalización en la segmentación de imágenes médicas.
Área de la Ciencia:
- Imágenes Médicas
- Inteligencia Artificial
- Visión por Computadora
Sus antecedentes:
- La segmentación precisa de estructuras vasculares abdominales 3D en TC es vital para el uso clínico, pero enfrenta desafíos en la generalización y la dependencia de los datos.
- Los métodos existentes luchan con la alineación de características de dominio cruzado y requieren conjuntos de datos anotados extensos.
Objetivo del estudio:
- Desarrollar un marco robusto basado en transformadores para la segmentación precisa y generalizable de arterias y venas en TC 3D.
- Integrar preentrenamiento autoconservado y adaptación de dominio adversaria para mejorar la segmentación de imágenes médicas.
Principales métodos:
- Un marco novedoso, Adaptive MAE-UNETR, que utiliza preentrenamiento de autoencoder enmascarado (MAE) en TC 3D para el aprendizaje de características jerárquicas.
- Transferencia del codificador preentrenado a una red de segmentación UNETR con adaptación de dominio adversaria para alinear las distribuciones de características entre los dominios de origen y destino.
- Optimización simultánea de la precisión de la segmentación y la invarianza del dominio dentro del marco propuesto.
Principales resultados:
- El Adaptive MAE-UNETR logró un rendimiento de vanguardia en tres conjuntos de datos públicos (AMOS22, BTCV, FLARE23).
- Demostró altas puntuaciones de Coeficiente de Similitud de Dice (DSC): 0,924 para la aorta y 0,892 para la vena cava inferior (VCI) en AMOS22.
- Mostró una superioridad constante en pruebas de dominio cruzado, logrando puntuaciones DSC como 0,917/0,888 en BTCV y 0,931/0,906 en FLARE23.
Conclusiones:
- El marco propuesto Adaptive MAE-UNETR mejora significativamente la precisión y la generalización de la segmentación vascular abdominal en imágenes de TC 3D.
- La integración del preentrenamiento MAE y la adaptación de dominio adversaria ofrece una solución robusta para los desafíos de segmentación de imágenes médicas.
- El método demuestra un rendimiento constante en diversos conjuntos de datos, superando a los enfoques convencionales.
