Segmentación de tumores cerebrales basada en Mamba de imágenes de resonancia magnética multimodal incompletas

Área de la Ciencia:

• Análisis de imágenes médicas análisis de imágenes médicas.
• Inteligencia artificial en el cuidado de la salud.
• Investigación en neuro-oncología.

Sus antecedentes:

• El aprendizaje profundo para la segmentación de imágenes médicas lucha con datos incompletos, común en entornos clínicos.
• La segmentación precisa del tumor cerebral por resonancia magnética es crucial para el cuidado del paciente.
• Los datos incompletos de resonancia magnética representan un desafío significativo para las aplicaciones diagnósticas y terapéuticas.

Objetivo del estudio:

• Para mejorar la precisión de la segmentación de tumores cerebrales a partir de datos de resonancia magnética multimodal incompletos.
• Desarrollar un modelo robusto de aprendizaje profundo capaz de manejar las modalidades de IRM que faltan.
• Mejorar la fiabilidad de la segmentación tumoral en escenarios clínicos difíciles.

Principales métodos:

• Se introdujo una nueva red de fusión Mamba (MF) para la segmentación multimodal de resonancia magnética.
• Empleó codificadores multimodales y bloques de fusión Mamba de nivel cruzado para la extracción de características.
• Se integró una restricción de incertidumbre cruzada (CU) para mejorar la confiabilidad de la segmentación.

Principales resultados:

• La red de MF demostró un rendimiento superior en los conjuntos de datos BraTS2018 y BraTS2020 con modalidades incompletas.
• Logró mejoras consistentes sobre los métodos de última generación en varios entornos multimodales incompletos.
• Mejoró el coeficiente de similitud de los dados (DSC) en aproximadamente un punto para todo el tumor, el núcleo tumoral y la mejora de la segmentación tumoral.

Conclusiones:

• El método propuesto aprende efectivamente las características de las modalidades ausentes, creando representaciones integrales de imágenes de RM multimodales.
• Mitigó con éxito los desafíos de segmentación causados por datos faltantes en IRM incompletos.
• Mejoró la capacidad del modelo para realizar una segmentación precisa del tumor en situaciones complejas e incompletas de datos.