Potenciación de la segmentación de tumores cerebrales: un novedoso enfoque de agrupación 3D con U-net 3D

Área de la Ciencia:

• Imagenología Médica
• Inteligencia Artificial
• Neurociencia

Sus antecedentes:

• La segmentación precisa de tumores cerebrales es vital para la toma de decisiones clínicas.
• Los métodos existentes enfrentan desafíos con estructuras tumorales complejas y variaciones de intensidad en la RM.
• U-Net 3D es una arquitectura común para la segmentación de imágenes médicas.

Objetivo del estudio:

• Mejorar la precisión de la segmentación de tumores cerebrales utilizando RM multimodal.
• Introducir una novedosa capa de agrupación 3D para mejorar el rendimiento de U-Net 3D.
• Desarrollar un método de segmentación robusto y resistente a las variaciones de intensidad.

Principales métodos:

• Se integró una novedosa capa de agrupación 3D en la arquitectura U-Net 3D.
• Se utilizaron dos canalizaciones de normalización complementarias para la robustez.
• Se empleó el aprendizaje de conjuntos promediando las predicciones de redes entrenadas de forma independiente.
• El enfoque se evaluó en el conjunto de datos BraTS2020 utilizando validación cruzada de cinco pliegues.

Principales resultados:

• La precisión de la segmentación se evaluó utilizando las métricas Dice score y Hausdorff distance 95th percentile (HD95).
• El conjunto propuesto logró puntuaciones Dice de 0,8299 (ET), 0,8882 (TC) y 0,8986 (WT).
• Las valores de la distancia de Hausdorff del percentil 95 (HD95) fueron 4,40 (ET), 4,95 (TC) y 11,14 (WT).
• El método demostró ganancias consistentes sobre las variantes de max-pooling y un rendimiento competitivo frente a enfoques recientes.

Conclusiones:

• La novedosa capa de agrupación 3D mejora eficazmente la precisión de la segmentación de tumores cerebrales.
• La estrategia de conjunto mejora la robustez a las variaciones en los datos de RM.
• Este enfoque ofrece una dirección prometedora para la segmentación automatizada y precisa de tumores cerebrales.