Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo. La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro. Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.
Segmentación de gliomas eficiente en el uso de recursos en la resonancia magnética subsahariana
Created by
Haebom
Autor
Freedmore Sidume, Oumayma Soula, Joseph Muthui Wacira, YunFei Zhu, Abbas Rabiu Muhammad, Abderrazek Zeraii, Oluwaseun Kalejaye, Hajer Ibrahim, Olfa Gaddour, Brain Halubanza, Dong Zhang, Udunna C Anazodo, Confidence Raymond
Describir
Este artículo presenta un marco eficiente de aprendizaje profundo para la segmentación de tumores cerebrales de glioma en entornos con recursos limitados en África Subsahariana (ASS). Utilizamos aprendizaje por transferencia con ponderaciones preentrenadas en el conjunto de datos BraTS 2021 y una arquitectura 3D Attention U-Net con bloques residuales. Evaluamos el marco en el conjunto de datos BraTS-Africa (95 casos de resonancia magnética), un referente para los datos de resonancia magnética en África Subsahariana. A pesar de la limitada calidad y cantidad de datos, logramos puntuaciones Dice de 0,76 para el Tumor Realzador (TE), 0,80 para el Núcleo Tumoral Necrótico y No Realzador (NETC) y 0,85 para el Hemisferio No Funcional Circunstante (SNFH), lo que demuestra el rendimiento de generalización del modelo y su potencial para respaldar la toma de decisiones clínicas en entornos con recursos limitados. Su pequeño tamaño (aproximadamente 90 MB) y el tiempo de inferencia de menos de 1 minuto por volumen en hardware de consumo resaltan su viabilidad para su implementación en los sistemas de salud de África Subsahariana. Esta investigación contribuye a cerrar la brecha en el acceso equitativo a la IA en la atención médica global al apoyar a áreas con bajo acceso a los servicios de atención médica a través de soluciones de imágenes médicas accesibles y de alto rendimiento.
Takeaways, Limitations
•
Takeaways:
◦
Presentamos un modelo de segmentación de gliomas que demuestra un alto rendimiento incluso en entornos de datos y recursos limitados.
◦
Demostramos la viabilidad de la implementación regional de SSA a través de una arquitectura de modelo eficiente (90 MB, tiempo de inferencia de subminuto).
◦
Contribuir a mejorar la accesibilidad equitativa a la IA en el sector sanitario global.
◦
Presentamos un método eficaz de aprendizaje modelo utilizando el aprendizaje por transferencia.
•
Limitations:
◦
Posibles limitaciones en el rendimiento de generalización debido a limitaciones de cantidad y calidad de datos en el conjunto de datos BraTS-Africa.
◦
Falta de consideración del escáner de resonancia magnética y las características de los datos en diferentes regiones del SSA.
◦
Falta de validación de la generalización a otros tipos de tumores cerebrales.
◦
Se necesitan estudios de aplicación práctica y verificación en entornos clínicos.
