¿2D, 2.5D o 3D? Comparación de enfoques dimensionales en redes neuronales profundas para el análisis de imágenes...

Área de la Ciencia:

• Imágenes Médicas
• Inteligencia Artificial
• Aprendizaje Profundo

Sus antecedentes:

• El aprendizaje profundo es crucial para analizar datos de imágenes médicas 3D (TC, RM, PET/TC).
• La dimensionalidad óptima de la red neuronal (2D, 2.5D, 3D) para datos volumétricos sigue siendo un debate.

Objetivo del estudio:

• Revisar y analizar el rendimiento de las redes neuronales profundas 2D, 2.5D y 3D en tareas de imágenes médicas 3D.
• Sintetizar los hallazgos de estudios comparativos sobre tareas de clasificación y segmentación.

Principales métodos:

• Revisión sistemática de 31 estudios comparativos de la última década.
• El análisis se centró en estudios que comparan arquitecturas de aprendizaje profundo 2D, 2.5D y 3D.

Principales resultados:

• Los modelos puramente 2D rinden consistentemente menos debido a la falta de contexto entre cortes.
• Se prefirieron los modelos 2.5D en 12 estudios, superando a otros.
• Se prefirieron los modelos puramente 3D en 5 estudios, mientras que 4 encontraron que el rendimiento dependía del contexto.
• Los modelos 2.5D a menudo equilibran eficazmente la información espacial y la eficiencia computacional.

Conclusiones:

• Ninguna dimensionalidad es universalmente óptima para el análisis de imágenes médicas 3D.
• La elección entre modelos 2.5D y 3D depende de la tarea clínica, los datos y los recursos.
• Los modelos 2.5D ofrecen un equilibrio práctico para muchas aplicaciones de imágenes médicas 3D.