Segmentazione automatizzata multi-testa mediante l'integrazione della testa di rilevamento nel rete neurale a strato contestuale

Il Nuovo Modello Multi-Head Transformer Migliora la Segmentazione Automatica nella Radioterapia

Una nuova architettura gated multi-head Transformer, basata su Swin U-Net, ha mostrato miglioramenti significativi nella segmentazione automatica per le applicazioni di radioterapia. Questo modello affronta il problema dei falsi positivi nelle fette che mancano di strutture target.

L'architettura proposta integra il contesto inter-fetta e impiega una testa di rilevamento parallela per migliorare le prestazioni. Questo approccio duale consente la rilevazione di strutture a livello di fetta mentre conduce la segmentazione a livello di pixel tramite un flusso potenziato dal contesto. Le uscite di rilevamento regolano le previsioni di segmentazione, sopprimendo efficacemente i falsi positivi nelle fette anatomiche non valide.

Risultati Sperimentali

Esperimenti sul dataset Prostate-Anatomical-Edge-Cases hanno rivelato che il modello gated supera significativamente un baseline di segmentazione non gated. Il modello gated ha raggiunto una perdita media di Dice di $0.013 \pm 0.036$, rispetto a $0.732 \pm 0.314$ per il modello non gated. Inoltre, le probabilità di rilevamento del modello gated hanno mostrato una forte correlazione con la presenza anatomica reale, eliminando efficacemente le segmentazioni spurie.

Al contrario, il modello non gated ha mostrato una maggiore variabilità e falsi positivi persistenti, indicando una mancanza di robustezza nelle sue previsioni. Questi risultati evidenziano i vantaggi del gating basato sulla rilevazione nella segmentazione automatica, migliorando sia la robustezza che la plausibilità anatomica.