Red neuronal de segmentación de múltiples estructuras cardíacas basada en el mecanismo de atención dual fusionada

Área de la Ciencia:

• Imágenes Médicas
• Inteligencia Artificial
• Enfermedades Cardiovasculares

Sus antecedentes:

• La segmentación cardíaca precisa es vital para el diagnóstico de enfermedades cardiovasculares.
• Las imágenes de tomografía computarizada (TC) presentan desafíos como límites borrosos e intensidades de tejido similares, lo que dificulta la segmentación.
• Los métodos existentes luchan con la delineación precisa de las estructuras cardíacas.

Objetivo del estudio:

• Desarrollar una red avanzada de aprendizaje profundo 3D para la segmentación multiesctructural cardíaca en imágenes de TC.
• Mejorar la precisión de la cuantificación de la función cardíaca a través de una segmentación mejorada.
• Superar las limitaciones de los límites borrosos y la interferencia de tejidos adyacentes en los escáneres de TC.

Principales métodos:

• Se propuso una red de segmentación multiesctructural cardíaca 3D que incorpora módulos de atención de mejora de canal multiescala (MCEA) y descomposición espacial con atención de fusión de canal (SD-CA).
• MCEA mejora la representación de características multiescala integrando información de canal en diferentes escalas.
• SD-CA genera pesos de atención espacial y de canal paralelos, centrándose en las regiones de interés y reduciendo la interferencia.

Principales resultados:

• Se logró una alta precisión de segmentación para el ventrículo izquierdo, el miocardio, la aurícula izquierda, el ventrículo derecho y la aurícula derecha, con coeficientes Dice promedio del 94,21 % y 93,9 %.
• Se demostró un sólido rendimiento con distancias de Hausdorff promedio del 95 % de 6,5483 y 4,36.
• Las predicciones cuantitativas de la fracción de eyección del ventrículo izquierdo (FEVI) y los volúmenes de las subestructuras mostraron coeficientes de correlación > 0,9587 y una alta concordancia en las pruebas de Bland-Altman (>94,8 %)

Conclusiones:

• La red 3D propuesta aborda eficazmente los desafíos en la segmentación de imágenes de TC cardíaca, particularmente los límites borrosos y las intensidades similares.
• Los módulos MCEA y SD-CA mejoran significativamente el rendimiento de la segmentación y la capacidad de cuantificar los indicadores de la función cardíaca.
• Los resultados indican alta precisión y confiabilidad para el diagnóstico clínico y la planificación del tratamiento de enfermedades cardiovasculares.