Segmentación robusta de pólipos en colonoscopia mediante dynamic-Nu T-Loss con adaptación multiescala y consciente de...

Área de la Ciencia:

• Imagenología Médica
• Visión por Computadora
• Inteligencia Artificial

Sus antecedentes:

• La segmentación precisa de pólipos en colonoscopia es crucial para la detección temprana del cáncer colorrectal.
• Los desafíos incluyen artefactos de imagen, variabilidad de apariencia y ruido en las anotaciones.

Objetivo del estudio:

• Introducir dynamic-Nu T-Loss (DNA-TLoss), una función de pérdida adaptativa y robusta para mejorar la segmentación de pólipos.
• Mejorar la precisión y la fiabilidad de los sistemas de detección de pólipos asistidos por ordenador.

Principales métodos:

• Desarrolló DNA-TLoss con grados de libertad aprendibles por imagen, pesos de precisión por píxel y agregación multiescala.
• Integró DNA-TLoss en una U-Net con un codificador ResNet-34.
• Evaluado en cinco puntos de referencia públicos de imágenes de colonoscopia.

Principales resultados:

• Logró la menor distancia de Hausdorff en todos los conjuntos de datos, con una reducción promedio del 14,6% en comparación con T-Loss.
• Obtuvo la menor tasa de falsos descubrimientos en los cinco conjuntos de datos, superando significativamente a T-Loss.
• Demostró una calibración de primer nivel con un bajo error de calibración esperado.

Conclusiones:

• DNA-TLoss ofrece un rendimiento superior en la segmentación de pólipos, abordando los desafíos clave en la imagenología de colonoscopia.
• El método avanza en la detección de pólipos asistida por ordenador de confianza y en tiempo real para mejorar el cribado del cáncer colorrectal.