Un módulo de atención temporal enchufable, eficiente, escalable y adaptable para la segmentación cardíaca guiada por...

Área de la Ciencia:

• Análisis de imágenes médicas
• Inteligencia artificial en el cuidado de la salud
• Imágenes cardiovasculares

Sus antecedentes:

• La segmentación de la anatomía cardíaca es crucial para evaluar la función cardíaca y diagnosticar enfermedades.
• Los modelos de aprendizaje profundo (DL) han mejorado la precisión de la segmentación, especialmente al incorporar la dinámica del movimiento cardíaco.
• Los métodos existentes para integrar información de movimiento son computacionalmente costosos o propensos a errores de registro.

Objetivo del estudio:

• Desarrollar un Módulo de Atención Temporal (TAM) computacionalmente eficiente y robusto para mejorar la segmentación de la anatomía cardíaca basada en aprendizaje profundo.
• Crear un módulo enchufable y adaptable a diversas arquitecturas de redes de segmentación (CNN, transformer, híbrido).
• Mejorar la precisión y eficiencia de la segmentación cardíaca consciente del movimiento.

Principales métodos:

• Se propuso un novedoso Módulo de Atención Temporal (TAM) que utiliza un mecanismo de atención cruzada temporal de cabezales múltiples.
• Se integró el TAM en diversas redes de segmentación, incluidas UNet, FCN8s, UNetR, SwinUNetR, I2UNet y DT-VNet.
• Se validó el TAM en múltiples conjuntos de datos de imágenes cardíacas: ecocardiografía 2D (CAMUS, EchoNet-Dynamic), ecocardiografía 3D (MITEA) y resonancia magnética cardíaca 3D (ACDC).

Principales resultados:

• El TAM mejoró consistentemente el rendimiento de la segmentación en todos los conjuntos de datos y redes probados.
• La integración del TAM en SAM y MedSAM redujo significativamente la distancia de Hausdorff (HD).
• El TAM-UNet y el TAM-DT-VNet demostraron reducciones sustanciales de HD en el conjunto de datos 3D ACDC.
• El entrenamiento del TAM requiere solo anotación temporal dispersa, no una segmentación completa de referencia para todos los fotogramas.

Conclusiones:

• El Módulo de Atención Temporal (TAM) ofrece una solución robusta, generalizable y adaptable para la segmentación de imágenes cardíacas consciente del movimiento.
• El TAM mejora la precisión y eficiencia de la segmentación sin modificaciones drásticas de la arquitectura, escalando de 2D a 3D.
• El método propuesto reduce los costos computacionales y la dependencia de técnicas de registro complejas, lo que lo convierte en un avance práctico para aplicaciones clínicas.