CFG-MambaNet: Red Neuronal Mamba Guiada por Contexto y Frecuencia para Segmentación de Imágenes Médicas

Área de la Ciencia:

• Análisis de Imágenes Médicas
• Aprendizaje Profundo
• Visión por Computadora

Sus antecedentes:

• La segmentación precisa de imágenes médicas es crucial pero desafiante debido a las dificultades en la modelización del contexto global, la precisión de los contornos y la generalización.
• Los métodos existentes, en particular los modelos basados en Transformers, enfrentan ineficiencias con imágenes médicas de alta resolución y luchan con lesiones que exhiben contornos borrosos o texturas débiles.

Objetivo del estudio:

• Introducir un marco novedoso, CFG-MambaNet, diseñado para superar las limitaciones de las técnicas actuales de segmentación de imágenes médicas.
• Mejorar la eficiencia, precisión y robustez de la segmentación de imágenes médicas, especialmente para casos desafiantes.

Principales métodos:

• Se empleó un bloque de espacio de estados de escala variable basado en Mamba para la captura eficiente de dependencias de largo alcance con complejidad lineal.
• Se incorporó un módulo de representación guiado por frecuencia para distinguir estructuras de baja frecuencia de detalles de contorno de alta frecuencia.
• Se introdujo un mecanismo adaptativo de agregación de contexto para integrar señales semánticas y resaltar regiones críticas, junto con una pérdida compuesta con supervisión profunda para un entrenamiento estable y una mejor adherencia al contorno.

Principales resultados:

• CFG-MambaNet demostró mejoras significativas en la segmentación de imágenes médicas en diversos conjuntos de datos (ACDC, Kvasir-SEG, ISIC, SEED).
• El marco abordó eficazmente los desafíos relacionados con las dependencias de largo alcance, la delineación de contornos y la segmentación de lesiones con características indistinctas.
• Se logró un rendimiento sólido en varias modalidades de imagenología médica, incluidas RM cardíaca, endoscopia, dermatoscopia y patología.

Conclusiones:

• CFG-MambaNet ofrece una solución eficiente y robusta para la segmentación de imágenes médicas, superando a los métodos existentes.
• Las estrategias propuestas de guía de frecuencia y agregación de contexto son efectivas para manejar tareas de segmentación complejas.
• El marco muestra un gran potencial para aplicaciones clínicas que requieren segmentación de alta precisión de imágenes médicas.