Un marco de incertidumbre guiada basado en vóxeles para la segmentación de gliomas mediante U-Net basada en...

Área de la Ciencia:

• Imagenología Médica
• Inteligencia Artificial
• Neuro-oncología

Sus antecedentes:

• La segmentación precisa de las subregiones de glioma en la RM multiparamétrica (MP-MRI) es crucial para el manejo del paciente.
• La heterogeneidad tumoral y los límites ambiguos presentan desafíos significativos en las técnicas de segmentación actuales.

Objetivo del estudio:

• Desarrollar un marco de segmentación híbrido guiado por incertidumbre que integre el aprendizaje profundo 2D y 3D para mejorar la fidelidad de la segmentación de gliomas.
• Aprovechar la varianza de la predicción para cuantificar la incertidumbre a nivel de vóxel y guiar el refinamiento localizado en 3D.

Principales métodos:

• Un marco híbrido que utiliza un nnU-Net 2D con deformación de proyección esférica para predicciones iniciales y cuantificación de incertidumbre.
• Refinamiento 3D localizado de regiones de alta incertidumbre utilizando un nnU-Net 3D dedicado.
• Fusión adaptativa de predicciones 2D y 3D optimizada a través de Optimización por Enjambre de Partículas en el conjunto de datos BraTS 2020.

Principales resultados:

• El método híbrido propuesto superó significativamente a las bases de referencia independientes de nnU-Net 2D y 3D en la segmentación del tumor realzante (ET), el núcleo del tumor (TC) y el tumor completo (WT).
• Se lograron coeficientes de similitud de Dice (DSC) superiores para ET (0.8124), TC (0.7499) y WT (0.9055), con mejoras consistentes en HD95 y sensibilidad.
• Se demostró una coherencia espacial mejorada y preservación de los límites, particularmente en regiones tumorales complejas.

Conclusiones:

• El marco híbrido guiado por incertidumbre combina eficazmente la eficiencia 2D con la precisión contextual 3D para una segmentación automatizada robusta de gliomas.
• Los mapas de incertidumbre interpretables sirven como un mecanismo de atención espacial, enfocando dinámicamente los recursos computacionales en áreas ambiguas.
• Este enfoque ofrece una solución prometedora para mejorar el manejo clínico de los gliomas a través de una segmentación precisa.