MFS-Unet: Una red Mamba de visión multipista para la segmentación precisa de nódulos tiroideos

Área de la Ciencia:

• Imágenes Médicas
• Inteligencia Artificial
• Visión por Computadora

Sus antecedentes:

• La segmentación automatizada de nódulos tiroideos es crucial para el diagnóstico y tratamiento clínicos.
• Los desafíos en la segmentación de nódulos tiroideos incluyen límites borrosos, escalas variables, ruido y anotaciones inexactas.

Objetivo del estudio:

• Proponer una novedosa red de segmentación de imágenes médicas, MFS-Unet, para la segmentación precisa de nódulos tiroideos.
• Mejorar el rendimiento de la segmentación abordando problemas de tamaño variable de nódulos, ruido de fondo y ruido de etiquetas.

Principales métodos:

• Se desarrolló MFS-Unet incorporando tres módulos novedosos: Mamba de Visión Multipista (MPV) para contexto global y características multiescala, Feature Gating (FG) para mejorar la información de los límites y Supervised Label Rectification (SLR) para manejar el ruido de las etiquetas.
• El módulo MPV utiliza modelos de espacio de estados (SSM) para una captura eficiente del contexto global con complejidad lineal.
• El módulo FG emplea un mecanismo de atención para refinar las características en las conexiones de salto, suprimiendo el ruido y reforzando los límites de los nódulos.
• El módulo SLR ajusta dinámicamente los pesos de pérdida para mejorar la robustez contra las etiquetas de entrenamiento ruidosas.

Principales resultados:

• MFS-Unet demostró un rendimiento superior en todas las métricas de evaluación en tres conjuntos de datos públicos de ultrasonido tiroideo (DDTI, TG3K, TN3K).
• La red propuesta superó a varios métodos de segmentación de vanguardia en precisión y robustez.
• Los resultados experimentales validan la efectividad de los módulos MPV, FG y SLR para mejorar la precisión de la segmentación.

Conclusiones:

• MFS-Unet ofrece un avance significativo en la segmentación automatizada de nódulos tiroideos a partir de imágenes de ultrasonido.
• La red muestra un potencial sustancial para la segmentación precisa en entornos clínicos complejos de ultrasonido.
• Los módulos innovadores abordan eficazmente los desafíos clave de la segmentación, allanando el camino para mejorar las herramientas de diagnóstico.