BAF-UNet: un modelo de segmentación consciente de los límites para la segmentación de lesiones cutáneas

Área de la Ciencia:

• Análisis de imágenes médicas
• Visión por computadora
• Dermatología

Sus antecedentes:

• La segmentación precisa de las lesiones cutáneas es crucial para el diagnóstico y tratamiento eficaces del cáncer de piel.
• Los desafíos incluyen límites de lesiones ambiguos, formas diversas y tamaños variables, lo que dificulta la segmentación precisa.

Objetivo del estudio:

• Mejorar el rendimiento de la segmentación de lesiones cutáneas mejorando la preservación de los límites.
• Desarrollar un modelo de aprendizaje profundo capaz de delinear con precisión los bordes de las lesiones cutáneas.

Principales métodos:

• Se propuso BAF-UNet, una red de segmentación consciente de los límites que integra la fusión de características conscientes de los límites multiescala (BFF) y un transformador de visión consciente de los límites (BAViT).
• BAViT incorpora la guía de límites en MobileViT para capturar el contexto local y global.
• Se utilizó una función de pérdida centrada en los límites para priorizar la precisión del borde durante el entrenamiento y se evaluó en los conjuntos de datos ISIC2016, ISIC2017 y PH2.

Principales resultados:

• BAF-UNet demostró puntuaciones de Dice mejoradas y precisión de los límites en comparación con los modelos de referencia.
• Los módulos BFF y BAViT mejoraron eficazmente la delineación de los límites.
• El modelo mantuvo la robustez en lesiones de diversas formas y tamaños.

Conclusiones:

• BAF-UNet integra con éxito la guía de límites en la fusión de características y el modelado de contexto basado en transformadores.
• Se lograron mejoras significativas en la precisión de la segmentación, especialmente a lo largo de los bordes de las lesiones.
• Muestra un fuerte potencial para la aplicación clínica en el diagnóstico automatizado del cáncer de piel.