3D CSFA-UNet: un marco unificado de aprendizaje profundo impulsado por atención para la segmentación precisa de...

Área de la Ciencia:

• Imágenes Médicas
• Inteligencia Artificial
• Ortopedia

Sus antecedentes:

• Los métodos actuales de aprendizaje profundo multitarefa para la segmentación y clasificación conjuntas de RM de rodilla en 3D tienen limitaciones en la aplicabilidad clínica.
• Estas limitaciones incluyen el modelado de contexto multiescala restringido, la atención insuficiente a las señales espaciales y de canal, y los altos costos computacionales.

Objetivo del estudio:

• Proponer un marco unificado y multietapa para la segmentación y clasificación conjuntas de volúmenes de RM de rodilla en 3D.
• El objetivo es mejorar la precisión, la interpretabilidad y la eficiencia del diagnóstico para aplicaciones clínicas.

Principales métodos:

• El marco utiliza filtrado guiado por gaussianas para la supresión de ruido y la mejora de bordes.
• Se emplea una 3D CSFA-UNet (Atención a Características de Canal-Espacial) con Atrous Spatial Pyramid Pooling (ASPP) para la segmentación.
• Se utiliza una red Spiking Transformer con neuronas Leaky Integrate-and-Fire (LIF) y capas de atención de grafos para la clasificación, precedida por un Desert Scorpion Feature Selector (DSFS) para la selección de características.
• La optimización de hiperparámetros se realiza utilizando Falcon Hunting Optimisation (FHO).

Principales resultados:

• La precisión de la segmentación alcanzó un coeficiente de similitud de Dice (DSC) del 98,10%, una intersección sobre unión (IoU) del 96,26%, una distancia superficial promedio (ASD) de 0,45 mm y una distancia de Hausdorff del percentil 95 (Hd95) de 1,85 mm.
• La precisión de la clasificación alcanzó el 99,15%, con una precisión del 98,82%, una recuperación del 99,11% y una puntuación F1 del 99,04% en el conjunto de datos OAI.
• El modelo demostró robustez y fiabilidad tanto en las tareas de segmentación como de gradación.

Conclusiones:

• El marco propuesto ofrece una solución clínicamente relevante e interpretable para la segmentación-clasificación conjunta de RM de rodilla en 3D.
• Este enfoque avanza el diagnóstico ortopédico guiado por imágenes al mejorar la precisión y la eficiencia.
• El estudio destaca el potencial de este marco unificado para mejorar las capacidades de diagnóstico en entornos clínicos.