Una red de doble percepción frecuencial-espacial para la segmentación eficiente y precisa de imágenes médicas

Área de la Ciencia:

• Análisis de imágenes médicas
• Visión por computadora
• Ingeniería biomédica

Sus antecedentes:

• El análisis de imágenes médicas se beneficia de la información del dominio de la frecuencia debido a las diferencias en la adquisición de imágenes en comparación con las imágenes naturales.
• La extracción de características patológicas significativas de diversos dominios de frecuencia es un desafío clave en la segmentación de imágenes médicas.
• Los métodos existentes tienen dificultades para integrar eficazmente la información del dominio de la frecuencia y la espacial para mejorar la segmentación.

Objetivo del estudio:

• Proponer una red eficiente de segmentación de imágenes médicas, FDE-Net, que utilice eficazmente la información del dominio de la frecuencia.
• Mejorar la extracción de características patológicas discriminatorias procesando selectivamente datos del dominio de la frecuencia.
• Mejorar la extracción de características espaciales multiescala e integrarla perfectamente con las características del dominio de la frecuencia.

Principales métodos:

• Se desarrolló FDE-Net, una red en forma de U que incorpora un Bloque de Extracción de Información de Baja Frecuencia (LFIEB) para mejorar las características críticas del dominio de la frecuencia.
• Se integró un módulo de Espacio de Estado de Percepción Visual Multicabezal (MPVSS) con optimizaciones estructurales para mejorar la extracción de características espaciales multiescala.
• Se incorporó un módulo de Atención de Enfoque de Contexto (CFA) para la propagación eficiente de características superficiales en el decodificador.

Principales resultados:

• FDE-Net logró un IoU del 84,10 % y un DSC del 91,29 % en el conjunto de datos ISIC-2018, superando a UNet.
• El método propuesto demostró una precisión de segmentación superior manteniendo la eficiencia computacional.
• Los estudios de ablación confirmaron las importantes contribuciones de los módulos LFIEB y MPVSS al rendimiento de la red.

Conclusiones:

• FDE-Net utiliza eficazmente la información del dominio de la frecuencia para mejorar la segmentación de imágenes médicas.
• La red demuestra un equilibrio prometedor entre la precisión de la segmentación y la eficiencia computacional.
• FDE-Net muestra potencial para una implementación clínica exitosa en tareas de análisis de imágenes médicas.