Segmentación de accidentes cerebrovasculares isquémicos en secuencias radiológicas utilizando mecanismos de atención con aprendizaje profundo

No Thumbnail Available
Date
2023-06-05
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Industrial de Santander
Abstract
La localización y delimitación de las lesiones cerebrales es un componente clave del diagnóstico de los accidentes cerebrovasculares, especialmente a partir de estudios de RM. Sin embargo, esta delineación manual requiere mucho tiempo y está sesgada por la opinión de los expertos. Este trabajo presenta una arquitectura de autocodificador que integra eficazmente mecanismos de atención cruzada, junto con supervisión profunda jerárquica para delinear lesiones en escenarios con gran desbalance de clases, geometría desafiante de la forma y una representación textural variable. En primer lugar, se propone un autocodificador profundo de atención cruzada para centrarse en la forma de la lesión a través de un conjunto de mapas convolucionales de saliencia, forzando las conexiones de salto para preservar la morfología del tejido afectado. Además, se adaptó un esquema de entrenamiento de supervisión profunda para inducir el aprendizaje de detalles jerárquicos de la lesión. Adicionalmente, una función de pérdida ponderada especial destaca el tejido de la lesión, aliviando el impacto negativo del desbalance de clases. El modelo propuesto se entrenó y validó eficazmente en estudios de RM. Interesantemente, el trabajo propuesto también se adaptó para segmentar lesiones de accidente cerebrovascular en secuencias de TC. Teniendo en cuenta el bajo contraste de los hallazgos radiológicos en los estudios de TC, el enfoque incluye una tarea de aprendizaje auxiliar para prestar atención a los bordes de la lesión. En cuanto a los estudios de RM, el enfoque propuesto se validó en el conjunto de datos público ISLES2017 superando los resultados del estado del arte, alcanzando un dice score de $0.36$ y una precisión de $0.42$. La mejor configuración arquitectónica se consiguió integrando las secuencias ADC, TTP y Tmax. Con respecto al rendimiento del modelo sobre secuencias TC, una evaluación sobre el conjunto de datos ISLES2018 mostró resultados competitivos de $0.42$ en dice score y $0.48$ en precisión. La contribución de los autocodificadores de atención cruzada profundamente supervisados permite un mejor apoyo en la discriminación entre las regiones sanas y lesionadas, lo que en consecuencia se traduce en un pronóstico y seguimiento favorables de los pacientes.
Description
Keywords
Segmentación de accidente cerebrovascular isquémico, Mecanismos de atención, TC, RM, Problemas desbalanceados
Citation