Resumen - Avanzando en la Segmentación de Imágenes Médicas mediante Aprendizaje de Prototipos Adaptativos de Instancia Auto-supervisado

Avanzando en la Segmentación de Imágenes Médicas mediante Aprendizaje de Prototipos Adaptativos de Instancia Auto-supervisado

2025-07-10 10:04:03

{"Guoyan Liang","Qin Zhou","Jingyuan Chen","Zhe Wang","Chang Yao"}

{stat.ME}

El artículo "Advancing Medical Image Segmentation via Self-supervised Instance-adaptive Prototype Learning" presenta un nuevo enfoque para la segmentación de imágenes médicas, conocido como Aprendizaje de Prototipos Adaptativos de Instancia Auto-supervisado (SIPL). Este método aborda las limitaciones de las técnicas de segmentación basadas en prototipos existentes, especialmente en capturar la diversidad de muestras y la variación intraclase dentro de cada entrada. SIPL introduce un nuevo marco que aprende prototipos adaptativos de instancia para la segmentación de imágenes médicas. Esto implica una combinación de propuestas comunes de prototipos (CPP) y propuestas de prototipos específicas de instancia (IPP) para capturar tanto patrones visuales comunes como específicos de instancia para cada clase. Para abordar la variación intraclase, se propone un módulo de generación de máscaras auto-supervisadas (SMG), que genera pseudo-máscaras con puntuaciones de confianza de manera jerárquica para guiar la generación de IPP. El módulo SMG utiliza un decodificador transformer para generar embeddings de consulta a partir de características de múltiples escalas obtenidas de un decodificador de píxeles. Se incorpora una estrategia de filtrado auto-supervisada novedosa para priorizar los píxeles de primer plano durante el aprendizaje de embeddings de consulta, mitigando el sesgo potencial de fondo. También se introduce una pérdida auxiliar para mejorar la precisión de las puntuaciones de confianza. El artículo presenta experimentos extensos en tres tareas desafiantes de segmentación de imágenes médicas: BTCV, Pulmones y BraTS. Los resultados demuestran que SIPL supera a los métodos más avanzados en términos del Coeficiente de Similitud de Dice (DSC), una métrica comúnmente utilizada para la performance de segmentación. En resumen, las contribuciones clave del método SIPL son: 1. Un nuevo marco para aprender prototipos adaptativos de instancia en la segmentación de imágenes médicas. 2. Un módulo de generación de máscaras auto-supervisadas que tiene en cuenta la variación intraclase y guía la generación de propuestas de prototipos específicas de instancia. 3. Rendimiento favorable en tareas desafiantes de segmentación de imágenes médicas en comparación con los métodos más avanzados.