La resonancia magnética es una técnica de imágenes médicas ampliamente utilizada que ayuda a examinar órganos y tejidos en el organismo humano y ayuda al diagnóstico de diversas enfermedades, incluidas las cardíacas. La segmentación de imágenes de resonancia magnética es un paso esencial en el análisis de sus resultados.

La estructura tradicional de redes neuronales convolucionales (CNN) en forma de U es capaz de manejar la mayoría de los casos de segmentación de imágenes médicas. Sin embargo, difícilmente puede funcionar bien en la segmentación de imágenes de resonancia magnética cardíaca porque hay mucho ruido, las áreas objetivo no se distinguen del fondo y la forma del ventrículo derecho es irregular.

Ahora, investigadores de la Universidad de Ciencia y Tecnología de Beijing (China) han propuesto un nuevo método para la segmentación de imágenes cardíacas. El trabajo, publicado en el ´Journal of Shanghai Jiao Tong University´, mostró un modelo llamado UConvTrans, que es una red de segmentación de imágenes cardíacas de doble flujo caracterizada por la integración de información global y local.

"Debido a sus características de operación local, la capacidad de la convolución para la extracción de características globales es limitada", explicó el primer autor, el profesor Qing Li, de la Escuela de Automatización e Ingeniería Eléctrica de la Universidad de Ciencia y Tecnología, quien dirigió la investigación. "Ese es el principal problema que tenemos que superar a la hora de construir un nuevo modelo cuyo objetivo sea mejorar la precisión de la segmentación de imágenes de resonancia magnética cardíaca".

"De acuerdo con las características de la segmentación de imágenes médicas, introdujimos un diseño de modelo que captura dependencias globales y detalles locales para mejorar el rendimiento del modelo. Luego, introdujimos varios métodos livianos efectivos para mejorar el rendimiento y la eficiencia del modelo y al mismo tiempo garantizar que la precisión se mantenga sin cambios tanto como sea posible. Así es como nace UConvTrans", explicó Yubin Huangfu, segundo autor del trabajo.

UConvTrans procesa una gran capacidad para extraer características tanto locales como globales debido a la introducción de Transformer en la CNN tradicional. La rama CNN extrae características locales mientras que la rama Transformer obtiene representaciones globales, que conservan características locales detalladas al tiempo que suprimen la interferencia del ruido y las características de fondo. Los investigadores propusieron un módulo de fusión bidireccional llamado Fuse CNN y Transformer Block (FCTB) para fusionar las características extraídas por CNN y Transformer entre sí, lo que, a su vez, aumenta la capacidad de expresión de características y mejora la precisión de la segmentación del ventrículo derecho. Además, la configuración de parámetros de UConvTrans se vuelve flexible ya que la estructura del transformador en el modelo no requiere pesos previamente entrenados.

"UConvTrans es capaz de realizar una segmentación precisa de áreas objetivo en resonancia magnética cardíaca y supera a los modelos existentes en términos de eficiencia, lo que sugiere una amplia perspectiva de aplicación en la segmentación de imágenes cardíacas", afirmó el profesor Jiangyun Li, autor correspondiente del trabajo.

No obstante, al ser UConvTrans una red 2D que maneja imágenes 2D únicamente, los desarrolladores consideran que se necesita mejoras adicionales para ser capaz de manejar imágenes médicas en 3D.