Decodificadores de enrutamiento dinámico entre dominios para la generalización multidominio en imágenes de...

Área de la Ciencia:

• IA de imágenes médicas
• Visión por computadora en la atención médica
• Inteligencia artificial para el diagnóstico médico

Sus antecedentes:

• La calidad de las imágenes de ultrasonido (US) médicas varía significativamente entre regiones, lo que dificulta el desarrollo de IA robusta para la atención médica.
• Las áreas con recursos limitados a menudo producen datos de US de menor calidad, lo que limita la generalización de los modelos de aprendizaje profundo convencionales.
• Esta heterogeneidad plantea un desafío para el desarrollo de sistemas de IA aplicables en diversas infraestructuras de atención médica.

Objetivo del estudio:

• Presentar USHydraNet, un novedoso marco multidecodificador diseñado para gestionar datos heterogéneos de imágenes de US multirregionales.
• Mejorar el rendimiento y las capacidades de generalización de los modelos de IA en el análisis de imágenes médicas a pesar de las variaciones en la calidad de los datos.
• Permitir el acceso equitativo al diagnóstico asistido por IA en entornos con recursos limitados.

Principales métodos:

• USHydraNet integra un codificador Vision Transformer (ViT) o UNet con múltiples decodificadores para una extracción de características optimizada.
• Un paradigma de enrutamiento dinámico selecciona de forma adaptativa la salida óptima del decodificador en función de los momentos estadísticos de la imagen y las características.
• Este mecanismo adaptativo garantiza un rendimiento robusto en niveles variables de calidad de datos sin sacrificar la precisión.

Principales resultados:

• USHydraNet demostró un rendimiento superior a las arquitecturas de referencia en tareas de clasificación y segmentación.
• Los estudios de ablación mostraron mejoras de rendimiento del 10-20% en métricas de clasificación y ganancias significativas en las puntuaciones Dice (12,23-19,52 %) y IoU (0,59-1,05 %) para la segmentación.
• El modelo mantuvo un rendimiento robusto (89,26 % Dice, 84,14 % IoU) incluso en conjuntos de datos no familiares.

Conclusiones:

• USHydraNet reduce eficazmente las disparidades de rendimiento en el análisis de imágenes médicas en regiones con diferentes infraestructuras de atención médica.
• El marco promueve el acceso equitativo al diagnóstico asistido por IA, particularmente en entornos con recursos limitados.
• USHydraNet representa un avance significativo para las aplicaciones globales de IA en la atención médica.