Modelo fundacional generativo de motor de datos para segmentación universal de imágenes vasculares 2D con pocos...

Área de la Ciencia:

• Imágenes Médicas
• Inteligencia Artificial
• Visión por Computadora

Sus antecedentes:

• El aprendizaje profundo para la segmentación vascular 2D es clínicamente valioso pero limitado por la escasez de datos anotados.
• El desarrollo de modelos universales de segmentación vascular con pocos ejemplos es un desafío debido a las extensas necesidades de entrenamiento y las complejidades de imagen.

Objetivo del estudio:

• Presentar UniVG, un modelo fundacional generativo para la segmentación universal de imágenes vasculares 2D con pocos ejemplos.
• Abordar el problema de la escasez de datos permitiendo la síntesis de imágenes vasculares diversas y realistas.

Principales métodos:

• UniVG utiliza el aprendizaje composicional para sintetizar diversas imágenes y etiquetas vasculares mediante la recombinación de características estructurales.
• Emplea adaptación generativa con pocos ejemplos para ajustar modelos con datos mínimos, conectando dominios de datos sintéticos y reales.
• Se creó un gran conjunto de datos, UniVG-58K (58,689 imágenes en 5 modalidades), para el preentrenamiento generativo.

Principales resultados:

• UniVG logró un rendimiento comparable al de los modelos totalmente supervisados en 11 tareas de segmentación de vasos utilizando solo 5 imágenes etiquetadas por tarea.
• Se demostró una reducción significativa en los costos de recopilación y anotación de datos.
• Se validó la efectividad en 5 modalidades de imagen.

Conclusiones:

• UniVG ofrece una solución robusta para la segmentación vascular con pocos ejemplos, superando las limitaciones de datos.
• El enfoque de modelo fundacional generativo facilita la segmentación transferible entre diferentes modalidades.
• El código y los conjuntos de datos disponibles públicamente fomentan la investigación y la aplicación futuras.