PRA-Unet: U-Net de Atención Residual Paralela para la Segmentación en Tiempo Real de Tumores Cerebrales
Autores: Lebani, Ali Zakaria; Merati, Medjeded; Mahmoudi, Saïd
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
PRA-Unet: U-Net de Atención Residual Paralela para la Segmentación en Tiempo Real de Tumores Cerebrales
Categoría
Gestión y administración
Subcategoría
Gestión de la tecnología y la inovación
Palabras clave
Tumores cerebrales
Segmentación
Escaneos de MRI
Modelo de aprendizaje profundo
PRA-UNet
Precisión
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
Con la creciente prevalencia de tumores cerebrales, se vuelve crucial asegurar una segmentación rápida y confiable en las resonancias magnéticas. Los profesionales médicos luchan con la segmentación manual de tumores debido a su naturaleza agotadora y que consume mucho tiempo. La segmentación automatizada acelera la toma de decisiones y el diagnóstico; sin embargo, lograr un equilibrio óptimo entre precisión y costo computacional sigue siendo un desafío significativo. En muchos casos, los métodos actuales intercambian velocidad por precisión, o viceversa, consumiendo una gran cantidad de potencia de cálculo y dificultando su uso en dispositivos con recursos limitados. Para abordar este problema, presentamos PRA-UNet, un modelo de aprendizaje profundo ligero optimizado para la segmentación rápida y precisa de tumores cerebrales en 2D. Usando una única entrada 2D, la arquitectura procesa cuatro tipos de resonancias magnéticas (FLAIR, T1, T1c y T2). El codificador utiliza bloques residuales invertidos y bloques residuales de cuellos de botella para capturar características a diferentes escalas de manera efectiva. El Módulo de Atención de Bloque Convolucional (CBAM) y el Módulo de Atención Espacial (SAM) mejoran las conexiones de puente y salto al refinar los mapas de características y facilitar la detección y localización de tumores cerebrales. El decodificador utiliza convoluciones separables por profundidad, lo que reduce significativamente los costos computacionales sin degradar la precisión. El conjunto de datos BraTS2020 muestra que PRA-UNet logra un puntaje Dice del 95.71%, una precisión del 99.61% y una velocidad de procesamiento de 60 ms por imagen, lo que permite un análisis en tiempo real. PRA-UNet supera a otros modelos en segmentación mientras requiere menos potencia de cálculo, lo que sugiere que podría ser adecuado para su implementación en dispositivos ligeros en entornos clínicos. Su velocidad y confiabilidad permiten a los radiólogos diagnosticar tumores de manera rápida y precisa, mejorando las aplicaciones médicas prácticas.
Descripción
Con la creciente prevalencia de tumores cerebrales, se vuelve crucial asegurar una segmentación rápida y confiable en las resonancias magnéticas. Los profesionales médicos luchan con la segmentación manual de tumores debido a su naturaleza agotadora y que consume mucho tiempo. La segmentación automatizada acelera la toma de decisiones y el diagnóstico; sin embargo, lograr un equilibrio óptimo entre precisión y costo computacional sigue siendo un desafío significativo. En muchos casos, los métodos actuales intercambian velocidad por precisión, o viceversa, consumiendo una gran cantidad de potencia de cálculo y dificultando su uso en dispositivos con recursos limitados. Para abordar este problema, presentamos PRA-UNet, un modelo de aprendizaje profundo ligero optimizado para la segmentación rápida y precisa de tumores cerebrales en 2D. Usando una única entrada 2D, la arquitectura procesa cuatro tipos de resonancias magnéticas (FLAIR, T1, T1c y T2). El codificador utiliza bloques residuales invertidos y bloques residuales de cuellos de botella para capturar características a diferentes escalas de manera efectiva. El Módulo de Atención de Bloque Convolucional (CBAM) y el Módulo de Atención Espacial (SAM) mejoran las conexiones de puente y salto al refinar los mapas de características y facilitar la detección y localización de tumores cerebrales. El decodificador utiliza convoluciones separables por profundidad, lo que reduce significativamente los costos computacionales sin degradar la precisión. El conjunto de datos BraTS2020 muestra que PRA-UNet logra un puntaje Dice del 95.71%, una precisión del 99.61% y una velocidad de procesamiento de 60 ms por imagen, lo que permite un análisis en tiempo real. PRA-UNet supera a otros modelos en segmentación mientras requiere menos potencia de cálculo, lo que sugiere que podría ser adecuado para su implementación en dispositivos ligeros en entornos clínicos. Su velocidad y confiabilidad permiten a los radiólogos diagnosticar tumores de manera rápida y precisa, mejorando las aplicaciones médicas prácticas.