LBMNet: un marco híbrido de CNN-Mamba multiescala para la segmentación mejorada de lesiones de ictus en 3D en RM

Área de la Ciencia:

• Imagen Médica
• Inteligencia Artificial
• Neurología

Sus antecedentes:

• El ictus es una de las principales causas de muerte y discapacidad a nivel mundial.
• La segmentación precisa de las lesiones de ictus cerebral a partir de RM es crucial para el diagnóstico y el tratamiento.
• Los métodos existentes enfrentan desafíos con la variabilidad de las lesiones y la detección de pequeñas lesiones.

Objetivo del estudio:

• Proponer LBMNet, una novedosa red CNN-Mamba para la segmentación precisa de lesiones de ictus cerebral.
• Abordar las limitaciones de los métodos actuales para manejar diversos tamaños y morfologías de lesiones.
• Mejorar la detección de pequeñas lesiones de ictus.

Principales métodos:

• Desarrolló LBMNet, una red híbrida CNN-Mamba que integra codificación convolucional multiescala y decodificación basada en Mamba.
• Empleó un módulo LSC de arriba abajo en el codificador para representaciones inter-escala.
• Diseñó un decodificador Mamba de contexto espacial bidireccional (BSC-Mamba) con convoluciones espaciales adaptativas y fusión de características adaptativa asimétrica (BAGF).

Principales resultados:

• Logró un rendimiento de vanguardia en conjuntos de datos de referencia (Dice: 67,57 % en ATLAS v2.0, 82,03 % en ISLES 2022).
• Demostró mejoras significativas en la segmentación de pequeñas lesiones de ictus cerebral en comparación con los modelos existentes.
• LBMNet mostró un rendimiento sólido y eficiente en diversas características de las lesiones.

Conclusiones:

• LBMNet ofrece un marco sólido y eficiente para la segmentación de lesiones de ictus cerebral.
• El método propuesto muestra un fuerte potencial clínico para mejorar la atención al paciente.
• LBMNet maneja eficazmente la heterogeneidad de las lesiones de ictus, especialmente las pequeñas.