RGShuffleNet: Un diseño eficiente para la segmentación de imágenes médicas en dispositivos portátiles

Área de la Ciencia:

• Análisis de imágenes médicas Análisis de imágenes médicas.
• El diagnóstico asistido por computadora.
• Tecnología de salud móvil.

Sus antecedentes:

• La segmentación de imágenes médicas es vital para el diagnóstico y la planificación quirúrgica.
• UNet y sus variantes dominan la segmentación de imágenes médicas, pero requieren recursos computacionales sustanciales.
• Los modelos actuales son difíciles de implementar en dispositivos portátiles con recursos limitados, lo que dificulta las aplicaciones en el hogar (Homelab).

Objetivo del estudio:

• Desarrollar un modelo ligero de segmentación de imágenes médicas para dispositivos móviles con recursos limitados.
• Para abordar las limitaciones de costos computacionales de los modelos de segmentación existentes.
• Para permitir una segmentación rápida y eficiente de imágenes médicas fuera de los entornos hospitalarios.

Principales métodos:

• Introducción de RGShuffleNet, un nuevo modelo ligero para la segmentación de imágenes médicas.
• Desarrollo de Reshaped Group Convolution para reducir parámetros y complejidad computacional mediante la reestructuración de grupos de características.
• Implementación del bloque MSC-Shuffle para mejorar el flujo de información a través de canales y dimensiones espaciales entre grupos de características.

Principales resultados:

• RGShuffleNet demostró un rendimiento de segmentación superior en comparación con los métodos de última generación en los conjuntos de datos de ultrasonido cardíaco y CT torácica.
• El modelo logró una complejidad computacional significativamente menor, lo que lo hace adecuado para la implementación móvil.
• Se logró una implementación exitosa de RGShuffleNet en dispositivos portátiles.

Conclusiones:

• RGShuffleNet ofrece una solución efectiva para la segmentación ligera de imágenes médicas en dispositivos móviles.
• La propuesta de Reshaped Group Convolution y el bloque MSC-Shuffle contribuyen a mejorar la eficiencia y el rendimiento.
• Este avance facilita el análisis avanzado de imágenes médicas en entornos portátiles y de recursos limitados.