U-RWKV: Segmentación precisa y eficiente de imágenes médicas volumétricas mediante RWKV

Área de la Ciencia:

• Imágenes Médicas
• Inteligencia Artificial
• Visión por Computadora

Sus antecedentes:

• La segmentación precisa de imágenes médicas volumétricas es crucial para las aplicaciones clínicas.
• Las redes neuronales convolucionales (CNN) y los Transformers convencionales tienen limitaciones para capturar el contexto de largo alcance y la eficiencia computacional para datos 3D.

Objetivo del estudio:

• Desarrollar un modelo de segmentación eficiente y preciso para imágenes médicas volumétricas.
• Abordar las limitaciones de los métodos existentes para capturar el contexto global y gestionar la complejidad computacional.

Principales métodos:

• Introdujo una nueva técnica de modelado de secuencias de complejidad lineal, RWKV.
• Diseñó un bloque RWKV de mejora espacial tridireccional (TSE-R) con desplazamiento espacial y escaneo tridireccional para datos 3D.
• Desarrolló una red de segmentación 3D de extremo a extremo, U-RWKV, basada en el bloque TSE-R.

Principales resultados:

• U-RWKV logró una puntuación Dice del 87,21% en el conjunto de datos multiorgánico abdominal Synapse.
• El modelo superó a los métodos de vanguardia basados en CNN, Transformer y Mamba.
• Logró una reducción de 16,08 veces en el recuento de parámetros en comparación con los métodos líderes.

Conclusiones:

• U-RWKV demuestra un rendimiento y una eficiencia superiores para la segmentación de imágenes médicas volumétricas.
• El bloque TSE-R propuesto captura eficazmente el contexto global y preserva la estructura espacial 3D.
• U-RWKV ofrece una solución prometedora para el diagnóstico clínico, la planificación preoperatoria y el seguimiento de enfermedades.