QuPaS: Segmentación Semi-supervisada de Imágenes Histopatológicas Basada en SAM con Ajuste Fino de Campo de Fuerza...

Área de la Ciencia:

• Patología Digital
• Análisis de Imágenes Médicas
• Biología Computacional

Sus antecedentes:

• La segmentación semi-supervisada (S³) es crucial para el análisis de imágenes histopatológicas.
• Mejorar el aprendizaje de los modelos S³ a partir de datos no etiquetados es un desafío clave.
• El Modelo de Segmentación de Cualquier Cosa (SAM) muestra potencial pero tiene dificultades con las estructuras complejas de las imágenes histopatológicas.

Objetivo del estudio:

• Desarrollar un marco S³ mejorado basado en SAM para la segmentación de imágenes histopatológicas.
• Abordar las limitaciones de SAM para capturar relaciones estructurales finas en imágenes complejas.
• Mejorar la capacidad de aprendizaje del modelo utilizando datos no etiquetados.

Principales métodos:

• Propuesto marco QuPaS que integra el ajuste fino del campo de fuerza cuántico (QFF) y la estimación adversaria (AE).
• QFF simula fuerzas intermoleculares para refinar la comprensión de las características a nivel de píxel de las estructuras espaciales.
• AE alinea las distribuciones de confianza entre las salidas para reducir la interferencia de las características semánticas.

Principales resultados:

• QuPaS superó significativamente los métodos S³ de última generación en tres tareas desafiantes de segmentación histopatológica.
• El marco demostró una generalización estable en dominios no vistos.
• La validación experimental confirmó la efectividad de QuPaS en escenarios de segmentación complejos.

Conclusiones:

• El marco QuPaS mejora eficazmente la segmentación semi-supervisada para imágenes histopatológicas.
• La integración de QFF y AE aborda las limitaciones de SAM, mejorando la captura de relaciones estructurales.
• QuPaS ofrece una solución robusta y generalizable para la segmentación de imágenes médicas.