Red neuronal de adaptación de límites mejorada por wavelet para la segmentación de hemangiomas hepáticos en TC sin...

Área de la Ciencia:

• Imagenología Médica
• Inteligencia Artificial
• Radiología

Sus antecedentes:

• La segmentación de hemangiomas hepáticos en TC sin contraste es un desafío debido a la falta de características mejoradas.
• Los métodos existentes tienen dificultades con los límites sutiles y las lesiones de baja intensidad en la imagen sin contraste.

Objetivo del estudio:

• Presentar WLAU-Net, una novedosa arquitectura de aprendizaje profundo para la segmentación precisa de hemangiomas hepáticos en imágenes de TC sin contraste de agente de contraste.
• Mejorar el rendimiento de la segmentación integrando el aprendizaje por transferencia, la transformación wavelet y un mecanismo de atención local.

Principales métodos:

• Se desarrolló WLAU-Net, una variante de U-Net que incorpora aprendizaje por transferencia de TC en fase venosa, descomposición wavelet sym4 para la mejora de subbandas de frecuencia y atención local basada en Gaussian.
• Se preentrenó el codificador con imágenes de TC en fase venosa y se congelaron los pesos para el procesamiento de datos sin contraste para mitigar el cambio de dominio.
• Se empleó la transformación wavelet para amplificar subbandas de frecuencia específicas (HL, LH) para mejorar la delineación de límites y un mecanismo de atención local para centrarse en regiones tumorales de baja intensidad.

Principales resultados:

• WLAU-Net logró una puntuación Dice del 65,37% y una precisión del 96,23% (ACC), superando a CS-UNet y Swin-UNet.
• Los estudios de ablación confirmaron las importantes contribuciones del aprendizaje por transferencia, la atención gaussiana y los módulos de mejora por wavelet.
• El método propuesto demostró una precisión diagnóstica competitiva en comparación con las técnicas con contraste mejorado, evitando los riesgos de los agentes de contraste.

Conclusiones:

• WLAU-Net ofrece una solución viable clínicamente y precisa para la segmentación de hemangiomas hepáticos en TC sin contraste.
• La integración de aprendizaje por transferencia, mejora por wavelet y mecanismos de atención aborda eficazmente los desafíos de la segmentación sin agente de contraste.
• Este enfoque proporciona una alternativa más segura para los pacientes sensibles a los agentes de contraste, manteniendo un alto rendimiento diagnóstico.