Estrategias de Etiquetado Plug and Play para Mejorar la Segmentación de Pequeñas Lesiones Cerebrales

Área de la Ciencia:

• Imagenología Médica
• Neurociencia
• Visión por Computadora

Sus antecedentes:

• La segmentación precisa de pequeñas lesiones cerebrales en RM es crucial para el diagnóstico y tratamiento de trastornos neurológicos.
• La detección de pequeñas lesiones es un desafío debido al bajo contraste y al tamaño limitado, lo que afecta las decisiones clínicas.

Objetivo del estudio:

• Introducir y evaluar dos novedosas estrategias de etiquetado, Etiquetado Multiescala (MSL) y Etiquetado Basado en Distancia (DBL), para mejorar la segmentación de pequeñas lesiones cerebrales.
• Demostrar la generalización y efectividad de MSL y DBL en diferentes conjuntos de datos y arquitecturas de segmentación.

Principales métodos:

• Se propuso la estrategia MSL que agrupa las lesiones por volumen para un aprendizaje consciente del tamaño.
• Se propuso la estrategia DBL que enfatiza los límites de las lesiones para mejorar la sensibilidad estructural.
• Se integraron MSL y DBL en redes de segmentación existentes y se evaluaron en conjuntos de datos de lesiones por accidente cerebrovascular y esclerosis múltiple (ATLAS v2.0, MSLesSeg).

Principales resultados:

• Logró un rendimiento superior en el conjunto de datos ATLAS v2.0, superando al método anterior más avanzado en Dice, F1, precisión y recuperación.
• Obtuvo la puntuación Dice más alta en el conjunto de datos MSLesSeg, clasificándose en primer lugar entre 16 equipos internacionales.
• Demostró mejoras consistentes en varios modelos de segmentación, incluidas arquitecturas basadas en atención y basadas en mamba.

Conclusiones:

• MSL y DBL son estrategias efectivas y generalizables para mejorar la segmentación de pequeñas lesiones cerebrales en RM.
• Estos métodos ofrecen una solución robusta para mejorar la precisión diagnóstica y la toma de decisiones clínicas en trastornos neurológicos.
• Las estrategias de etiquetado propuestas proporcionan un avance significativo en el análisis de imágenes médicas para aplicaciones de neuroimagen.