Orientación clínica automática segmentación 2D de tumores hepáticos: LCMambaNet con modelo de espacio de estados y...

Área de la Ciencia:

• Imagen Médica
• Inteligencia Artificial
• Oncología

Sus antecedentes:

• El cáncer de hígado presenta importantes desafíos de salud a nivel mundial, con una creciente incidencia y mortalidad.
• La segmentación precisa de tumores es difícil debido a las complejas características de imagen y las limitaciones de los modelos actuales de aprendizaje profundo.
• Las arquitecturas existentes de aprendizaje profundo 3D requieren importantes recursos computacionales, lo que dificulta su aplicación clínica.

Objetivo del estudio:

• Presentar la Red Mamba para Cáncer de Hígado (LCMambaNet), un marco de segmentación 2D eficiente para tumores hepáticos.
• Abordar las limitaciones de los modelos existentes en el equilibrio entre la eficiencia computacional y la precisión de la segmentación.
• Mejorar la detección y caracterización de las lesiones hepáticas, especialmente las pequeñas.

Principales métodos:

• Se desarrolló LCMambaNet, un marco de segmentación 2D que utiliza modelos de espacio de estados selectivos.
• Se implementó un mecanismo de escaneo de parches para extraer características de textura y densidad salientes.
• Se incorporó el Módulo de Atención para Cáncer de Hígado (LCAM) para diferenciar las características del tumor del tejido normal.
• Se evaluó el rendimiento en los conjuntos de datos LITS (TC) y CirrMR160+ (RM).

Principales resultados:

• LCMambaNet logró una alta precisión de segmentación, con puntuaciones Dice del 92,94% en LITS y del 92,08% en CirrMR160+.
• Demostró un rendimiento superior estadísticamente significativo en lesiones pequeñas (< 2 cm) en comparación con los modelos de referencia.
• Los estudios de ablación confirmaron la eficacia de los componentes individuales del modelo.

Conclusiones:

• LCMambaNet proporciona una solución eficiente y clínicamente viable para la segmentación 2D de tumores hepáticos.
• El diseño del modelo supera las limitaciones computacionales y de precisión de los enfoques actuales de aprendizaje profundo.
• Su sólido rendimiento en lesiones pequeñas apoya el diagnóstico temprano y la planificación precisa del tratamiento en el manejo del cáncer de hígado.