Segmentación mejorada de glándulas colorrectales a través de atención multiescala y fusión de características...

Área de la Ciencia:

• Patología Digital
• Análisis de Imágenes Médicas
• Inteligencia Artificial en Oncología

Sus antecedentes:

• La estadificación y el pronóstico precisos del cáncer colorrectal dependen de la segmentación precisa de imágenes histológicas.
• Los métodos automatizados existentes enfrentan limitaciones con las estructuras glandulares, las variaciones de tinción y la heterogeneidad tisular.

Objetivo del estudio:

• Presentar MAC-Net, un modelo de aprendizaje profundo para la segmentación mejorada de glándulas de cáncer colorrectal.
• Mejorar la precisión y fiabilidad del análisis de imágenes histológicas automatizadas en oncología.

Principales métodos:

• Desarrollado MAC-Net, integrando fusión de características multiescala y decodificación contextual guiada por atención.
• Utilizó atención canal-por-canal para información estructural fina y agrupación espacial multiescala para contexto global.
• Entrenado en datos EBHI-Seg y validado cruzado en datos GIaS para generalización.

Principales resultados:

• MAC-Net logró un rendimiento superior, con 95,08% de Dice, 90,92% de IoU, 95,83% de Precisión y 95,65% de Recall.
• Superó a las arquitecturas de segmentación automatizada existentes en diversos estadios de diferenciación tumoral.
• La activación de clase ponderada por gradiente y el análisis de incertidumbre demostraron la interpretabilidad del modelo.

Conclusiones:

• MAC-Net ofrece una solución robusta para la segmentación precisa de glándulas de cáncer colorrectal.
• La interpretabilidad del modelo apoya la toma de decisiones clínicas fiables en patología digital.
• La precisión mejorada de la segmentación ayuda en la estadificación del cáncer, el pronóstico y la planificación del tratamiento.