Segmentação automatizada multi-cabeça por meio da incorporação de cabeça de detecção na rede neural de camada contextual

Novo Modelo de Transformer de Múltiplas Cabeças Melhora a Segmentação Automatizada em Radioterapia

Uma nova arquitetura de Transformer de múltiplas cabeças com portão, baseada no Swin U-Net, demonstrou melhorias significativas na segmentação automatizada para aplicações de radioterapia. Este modelo aborda a ocorrência de falsos positivos em cortes que não possuem estruturas-alvo.

A arquitetura proposta integra contexto entre cortes e emprega uma cabeça de detecção paralela para aprimorar o desempenho. Essa abordagem dual permite a detecção de estruturas em nível de corte enquanto realiza a segmentação em nível de pixel através de um fluxo aprimorado pelo contexto. As saídas de detecção controlam as previsões de segmentação, suprimindo efetivamente os falsos positivos em cortes anatomicamente inválidos.

Resultados Experimentais

Experimentos no conjunto de dados Prostate-Anatomical-Edge-Cases revelaram que o modelo com portão supera significativamente uma linha de base de segmentação apenas sem portão. O modelo com portão alcançou uma perda média de Dice de $0.013 \pm 0.036$, em comparação com $0.732 \pm 0.314$ para o modelo sem portão. Além disso, as probabilidades de detecção do modelo com portão exibiram uma forte correlação com a presença anatômica real, eliminando efetivamente segmentações espúrias.

Em contraste, o modelo sem portão apresentou maior variabilidade e falsos positivos persistentes, indicando uma falta de robustez em suas previsões. Esses achados destacam as vantagens do controle baseado em detecção na segmentação automatizada, aprimorando tanto a robustez quanto a plausibilidade anatômica.