Segmentación automática multi-cabeza mediante la incorporación de una cabeza de detección en la red neuronal de capa contextual

Nuevo Modelo de Transformador Multi-Cabeza Mejora la Segmentación Automatizada en Radioterapia

Una nueva arquitectura de transformador multi-cabeza con compuerta, basada en Swin U-Net, ha mostrado mejoras significativas en la segmentación automatizada para aplicaciones de radioterapia. Este modelo aborda la ocurrencia de falsos positivos en cortes que carecen de estructuras objetivo.

La arquitectura propuesta integra el contexto entre cortes y emplea una cabeza de detección paralela para mejorar el rendimiento. Este enfoque dual permite la detección de estructuras a nivel de corte mientras se realiza la segmentación a nivel de píxel a través de un flujo mejorado por contexto. Las salidas de detección controlan las predicciones de segmentación, suprimiendo efectivamente los falsos positivos en cortes anatómicamente inválidos.

Resultados Experimentales

Los experimentos realizados en el conjunto de datos Prostate-Anatomical-Edge-Cases revelaron que el modelo con compuerta supera significativamente a una línea base de segmentación solo no compuerta. El modelo con compuerta logró una pérdida media de Dice de $0.013 \pm 0.036$, en comparación con $0.732 \pm 0.314$ para el modelo sin compuerta. Además, las probabilidades de detección del modelo con compuerta mostraron una fuerte correlación con la presencia anatómica real, eliminando efectivamente las segmentaciones espurias.

En contraste, el modelo sin compuerta mostró una mayor variabilidad y falsos positivos persistentes, indicando una falta de robustez en sus predicciones. Estos hallazgos destacan las ventajas del control basado en detección en la segmentación automatizada, mejorando tanto la robustez como la plausibilidad anatómica.