Normalización de vóxeles en imágenes LDCT: su importancia en la selección de características de textura para la...

Área de la Ciencia:

• Imágenes Médicas; Inteligencia Artificial en Medicina; Radiología

Sus antecedentes:

• El cáncer de pulmón es una de las principales causas de mortalidad por cáncer a nivel mundial.; La detección temprana mediante tomografía computarizada de dosis baja (LDCT) se ve desafiada por la falta de criterios objetivos y la necesidad de interpretación manual.; Los conjuntos de datos públicos a menudo carecen de confirmación patológica y tienen tamaños de vóxeles variables, lo que afecta la fiabilidad del modelo.

Objetivo del estudio:

• Evaluar el impacto de la normalización de vóxeles en la clasificación de nódulos pulmonares.; Introducir un método de fusión de contornos basado en Transformada de Fourier (FFT) para la integración interpretable de anotaciones de nódulos.; Desarrollar y evaluar modelos de aprendizaje automático y aprendizaje profundo para la clasificación de nódulos utilizando datos LDCT procesados.

Principales métodos:

• Se aplicó la normalización de vóxeles a imágenes LDCT de 415 pacientes de dos centros.; Se desarrollaron modelos de aprendizaje automático y aprendizaje profundo, incluidos transformadores con mecanismos de atención.; Se introdujo un nuevo método de fusión de contornos basado en FFT como alternativa interpretable a las redes generativas adversarias.

Principales resultados:

• La normalización de vóxeles mejoró la superposición de características entre conjuntos de datos en un 64%, mejorando la estabilidad de la selección.; Los modelos de aprendizaje automático lograron una precisión del 92,6%, mientras que los modelos de aprendizaje profundo alcanzaron una precisión del 98,5%; El método basado en FFT proporcionó una integración clínicamente interpretable de las anotaciones de expertos, superando las limitaciones de GAN.

Conclusiones:

• La normalización de vóxeles mejora la fiabilidad de la clasificación de nódulos pulmonares.; El método basado en FFT presenta un enfoque viable para la interpretabilidad en aplicaciones de aprendizaje profundo para imágenes médicas.; Se recomienda una mayor investigación multicéntrica para explorar las implicaciones de estos hallazgos.