Refinar la supervisión débil para una segmentación robusta de la cavidad pulmonar: un método de afinidad de gráfico...

Área de la Ciencia:

• Imágenes médicas de imágenes médicas.
• Visión por ordenador Visión por ordenador Visión por ordenador Visión por ordenador Visión por ordenador
• La inteligencia artificial es inteligencia artificial.

Sus antecedentes:

• La anotación a nivel de píxeles de las cavidades pulmonares (LC) en las imágenes de TC es difícil debido a su compleja morfología.
• La segmentación semántica de supervisión débil (WSSS) utiliza anotaciones escasas, pero a menudo produce una segmentación imprecisa.
• Los métodos WSSS existentes luchan con la segmentación excesiva o insuficiente de lesiones pulmonares irregulares.

Objetivo del estudio:

• Desarrollar un método avanzado de WSSS para una segmentación precisa de la cavidad pulmonar en tomografías computarizadas.
• Para abordar las limitaciones de los enfoques actuales de WSSS en el manejo de la morfología compleja de la lesión y la supervisión espacial.
• Para mejorar la precisión y fiabilidad de la segmentación de lesiones pulmonares irregulares.

Principales métodos:

• Propuso una nueva red de afinidad basada en gráficos (GA-Net) utilizando gráficos de súper píxeles y inferencia de bordes para el refinamiento de pseudoetiquetas conscientes de la estructura.
• Implementación de propagación de afinidad por región para un control preciso de segmentación dentro de las regiones 3D.
• Incorpora ensamblaje de promedio móvil exponencial (EMA) y un módulo basado en garabatos para la supervisión de límites.

Principales resultados:

• El método GA-Net propuesto supera significativamente las técnicas WSSS médicas de última generación existentes.
• Se logró una segmentación precisa y confiable de cavidades pulmonares complejas en tomografías computarizadas en tres conjuntos de datos de referencia.
• Demostró un rendimiento superior en la refinación de pseudo-etiquetas y proporcionando una supervisión espacial efectiva.

Conclusiones:

• El método GA-Net desarrollado ofrece una solución robusta para desafiar la segmentación de la cavidad pulmonar en imágenes médicas.
• Este enfoque mejora el WSSS al modelar efectivamente las dependencias de largo alcance y mejorar la precisión espacial.
• Los hallazgos sugieren un avance significativo en el análisis automatizado de patologías pulmonares a partir de datos de TC.