Potenciación de la segmentación de imágenes médicas semisupervisada a través de la complementariedad de la...

Área de la Ciencia:

• Imágenes Médicas
• Visión por Computadora
• Aprendizaje Automático

Sus antecedentes:

• Los datos anotados por expertos son cruciales pero escasos para la segmentación de imágenes médicas.
• Los datos etiquetados limitados dificultan el uso clínico de modelos de segmentación precisos.
• La complementariedad anatómica interinstancia ofrece una solución potencial para la escasez de datos.

Objetivo del estudio:

• Desarrollar un enfoque semisupervisado novedoso para la segmentación de imágenes médicas.
• Explotar la complementariedad anatómica interinstancia para mejorar la generalización del modelo y la eficiencia del entrenamiento.
• Abordar el cuello de botella de los datos limitados anotados por expertos en imágenes médicas.

Principales métodos:

• Un modelo semisupervisado que integra un módulo de aumento de copia-pégado (CPAM) y un mecanismo de calibración de región entrenable (TRCM) dentro de un marco de profesor medio (MT).
• CPAM mejora la diversidad de datos intercambiando regiones informativas entre muestras.
• TRCM utiliza regiones etiquetadas para guiar la calibración de datos no etiquetados, generando pseudo-etiquetas de alta calidad.

Principales resultados:

• El modelo propuesto demuestra una eficacia sólida en diversos conjuntos de datos de imágenes médicas (LA, ACDC, BraTS2019, Pancreas-NIH) y modalidades (RM, TC).
• Supera consistentemente los métodos de vanguardia en entornos con datos anotados limitados.
• Logró un rendimiento superior en múltiples métricas de evaluación.

Conclusiones:

• El novedoso enfoque semisupervisado aprovecha eficazmente la complementariedad anatómica interinstancia.
• Los componentes sinérgicos CPAM y TRCM mejoran significativamente el rendimiento de la segmentación de imágenes médicas.
• El método ofrece una solución prometedora para entrenar modelos de segmentación precisos con datos etiquetados limitados.