Aprendizaje de características geométricas y visuales para la segmentación de imágenes médicas con GNN de visión

Área de la Ciencia:

• Imágenes médicas
• Visión por computadora
• Inteligencia artificial

Sus antecedentes:

• La segmentación de imágenes médicas es vital para las aplicaciones clínicas.
• Los métodos de aprendizaje profundo son excelentes, pero a menudo pasan por alto las relaciones entre objetos.
• Los enfoques existentes basados en cuadrículas limitan la comprensión de estructuras anatómicas complejas.

Objetivo del estudio:

• Presentar MedSegViG, un novedoso modelo para la segmentación de imágenes médicas.
• Abordar las limitaciones de los métodos de aprendizaje profundo basados en cuadrículas incorporando estructuras de grafos.
• Mejorar la precisión y robustez de la segmentación modelando las relaciones entre los objetos segmentados.

Principales métodos:

• Se desarrolló MedSegViG, un modelo que presenta un codificador jerárquico de GNN de visión (ViG) y un decodificador de características híbrido.
• Se representaron imágenes médicas como grafos para capturar las relaciones entre objetos.
• Se extrajeron características de grafos e imágenes multinivel utilizando el codificador ViG.
• Se fusionaron las características en el decodificador para generar el mapa de segmentación final.

Principales resultados:

• MedSegViG demostró una precisión de segmentación y robustez superiores.
• El modelo logró una excelente generalización en diversos conjuntos de datos y tipos de lesiones.
• Experimentos exhaustivos en conjuntos de datos de pólipos, lesiones cutáneas y vasos retinianos validaron la efectividad.

Conclusiones:

• MedSegViG ofrece un avance significativo en la segmentación de imágenes médicas.
• La representación basada en grafos y la extracción jerárquica de características mejoran el rendimiento.
• El modelo muestra un gran potencial para aplicaciones clínicas que requieren una segmentación precisa.