Utilizamos cookies para comprender de qué manera utiliza nuestro sitio y para mejorar su experiencia. Esto incluye personalizar el contenido y la publicidad. Para más información, Haga clic. Si continua usando nuestro sitio, consideraremos que acepta que utilicemos cookies. Política de cookies.

MedImaging

Deascargar La Aplicación Móvil
Noticias Recientes Radiografía RM Ultrasonido Medicina Nuclear Imaginología General TI en Imaginología Industria

Modelo nuevo identifica lesiones de displasia cortical focal a partir de resonancias magnéticas

Por el equipo editorial de MedImaging en español
Actualizado el 30 Oct 2024

La epilepsia es un trastorno neurológico caracterizado por convulsiones epilépticas, y la displasia cortical focal (DCF) es una causa primaria de epilepsia resistente a fármacos. El tratamiento más eficaz para la DCF es la extirpación quirúrgica de las lesiones, que depende en gran medida de su localización y delineación precisas. Sin embargo, la detección de lesiones de DCF en imágenes de resonancia magnética (RM) sigue siendo un desafío importante en la práctica clínica debido a las sutiles alteraciones estructurales que inducen. Ahora, un modelo basado en transformadores multiescala propuesto para la segmentación de extremo a extremo de lesiones de DCF a partir de imágenes de RM multicanal combina un marco de codificador-decodificador basado en red neuronal convolucional (CNN) con vías de transformadores multiescala, mejorando la representación de características de las lesiones dentro de un campo de visión global.

Un equipo de investigación del Instituto de Tecnología Avanzada de Shenzhen (SIAT, Shenzhen, China) de la Academia China de Ciencias, junto con colaboradores, realizó un estudio que demuestra que el codificador CNN extrae características locales, que posteriormente se introducen en las vías de transformación correspondientes para capturar características globales a diferentes escalas. Para minimizar la complejidad y evitar el sobreajuste, los investigadores emplearon un módulo de autoatención dual (DSA) eficiente en términos de computación y memoria para construir la vía de transformación. Este módulo DSA incluye una rama espacial y una rama de canal, que identifican dependencias de largo alcance entre las posiciones de las características y los canales, enfatizando de manera efectiva las áreas y los canales relevantes para las lesiones.


Imagen: Marco de segmentación de lesiones DCF basado en transformadores multiescala (foto cortesía de Siat/doi.org/10.1186/s13244-024-01803-8)
Imagen: Marco de segmentación de lesiones DCF basado en transformadores multiescala (foto cortesía de Siat/doi.org/10.1186/s13244-024-01803-8)

Los investigadores entrenaron y evaluaron el modelo propuesto utilizando un conjunto de datos públicos de imágenes de RM de 85 pacientes, empleando métricas tanto a nivel de sujeto como a nivel de vóxel. Los hallazgos experimentales, publicados en la revista Insights into Imaging , revelaron que el método propuesto detectó lesiones con éxito en el 82,4 % de los pacientes, con una baja tasa de grupos de lesiones de falsos positivos de 0,176 ± 0,381 por paciente. Además, el modelo logró un coeficiente Dice promedio de 0,410 ± 0,288, superando a cinco métodos establecidos.

"Hasta donde sabemos, este es el primer estudio que aplica un modelo basado en transformadores para la segmentación de lesiones de FCD", dijo la Dra. Xu Jinping de SIAT, quien dirigió el equipo. "Nuestro estudio promete ser una herramienta valiosa para los médicos, permitiéndoles detectar lesiones de FCD con rapidez y precisión".

 


New
Miembro Oro
X-Ray QA Meter
T3 AD Pro
New
Ultra-Flat DR Detector
meX+1717SCC
LED-Based X-Ray Viewer
Dixion X-View
Radiation Therapy Treatment Software Application
Elekta ONE

Últimas RM noticias

Software innovador impulsado por IA mejora significativamente las resonancias magnéticas cerebrales

La resonancia magnética predice resultados del tratamiento y recurrencia del tumor en pacientes con cáncer rectal

Sistema de RM portátil reduce drásticamente el tiempo de escaneo en pacientes con accidente cerebrovascular