Segmentación avanzada de la masa renal utilizando VHUCS-Net con red de detección de protuberancias

Área de la Ciencia:

• Imágenes médicas de imágenes médicas.
• La inteligencia artificial es inteligencia artificial.
• Visión por ordenador Visión por ordenador Visión por ordenador Visión por ordenador Visión por ordenador

Sus antecedentes:

• La segmentación precisa de las masas y estructuras renales es crucial para el diagnóstico y el tratamiento.
• Los métodos existentes pueden tener dificultades con las características estructurales complejas y la identificación precisa de los límites en las imágenes del riñón.

Objetivo del estudio:

• Introducir la arquitectura híbrida VHUCS-Net de doble vía para mejorar la segmentación de la masa y la estructura del riñón.
• Mejorar la precisión e interpretabilidad de los resultados de la segmentación para el apoyo a la toma de decisiones clínicas.

Principales métodos:

• Integración de una red U-Net mejorada con transformadores con una red de detección de protuberancias (PDN) optimizada para contraste.
• Utilizando la atención del transformador de visión y la red de alta resolución (HRNet) para la captura de características globales y de alta resolución.
• Empleando la agrupación a múltiples escalas, la mejora del contraste y la fusión de características dentro de la PDN para una segmentación de masa precisa.

Principales resultados:

• Logró una puntuación de Intersección sobre Unión (IoU) de 0.9441 y un coeficiente de dados de 0.9712 en un conjunto de datos de segmentación renal.
• Demostró una excelente precisión de segmentación, destacando las variantes estructurales de tamaño y forma, los límites y las características complejas.
• Generalizabilidad validada en múltiples tareas de segmentación utilizando conjuntos de datos públicos adicionales.

Conclusiones:

• VHUCS-Net mejora significativamente la eficiencia del diagnóstico y apoya la toma de decisiones clínicas.
• El modelo proporciona resultados de segmentación precisos e interpretables para el análisis de la enfermedad renal.
• La arquitectura propuesta demuestra ser eficaz y generalizable para diversas tareas de segmentación de imágenes médicas.