CervSpineNet: un enfoque híbrido basado en aprendizaje profundo para la segmentación de las apófisis espinosas...

Área de la Ciencia:

• Imágenes Médicas
• Aprendizaje Profundo
• Anatomía Computacional

Sus antecedentes:

• La segmentación precisa de las apófisis espinosas cervicales es crucial para el análisis de la columna, pero carece de conjuntos de datos públicos y métodos eficientes.
• La delineación manual consume mucho tiempo y depende del operador, lo que dificulta las aplicaciones clínicas y de investigación.

Objetivo del estudio:

• Desarrollar un método automatizado, preciso y eficiente para la segmentación de las apófisis espinosas cervicales en radiografías laterales.
• Crear y publicar un conjunto de datos anotado por expertos para el análisis de la columna cervical.

Principales métodos:

• Se desarrolló CervSpineNet, un marco híbrido de aprendizaje profundo que integra componentes de transformador y convolucionales.
• Se entrenó el modelo utilizando una función de pérdida compuesta que optimiza múltiples métricas de segmentación (Dice, Focal Tversky, HDT, SSIM).
• Se evaluó el rendimiento frente a U-Net, DeepLabV3+, SAM y SegFormer en diversos conjuntos de imágenes.

Principales resultados:

• CervSpineNet logró un rendimiento superior, con coeficientes de Dice >0.93, IoU >0.87 y SSIM >0.98.
• El modelo demostró alta precisión (MAE ≈ 0.005) y una inferencia eficiente (5-10 segundos por imagen).
• Redujo el tiempo de anotación manual en aproximadamente un 96% con un tamaño de modelo compacto.

Conclusiones:

• La combinación de contexto global (transformador) y refinamiento local (convolucional) permite una segmentación robusta de las apófisis espinosas.
• CervSpineNet ofrece una base escalable para el análisis de la columna cervical asistido por IA en entornos clínicos y de investigación.
• Este trabajo proporciona un modelo eficiente y de alto rendimiento, y un conjunto de datos anotado por expertos, acelerando las aplicaciones de IA en imágenes de la columna vertebral.