Precisión en la segmentación médica con funciones de pérdida compuestas

¡Tenemos nueva publicación! Nuestro último trabajo se centra en analizar cómo distintas funciones de pérdida impactan en la precisión de la segmentación médica con deep learning. En concreto, evaluamos tres tipos (AUFL, DSCL y CE) aplicadas a la detección de lesiones pulmonares por COVID-19 en imágenes de TC, utilizando arquitecturas avanzadas como TransUNet, ViT y U-Net.

Los resultados son reveladores: la función de pérdida compuesta AUFL destaca por su precisión y estabilidad, superando de forma consistente a las demás, especialmente al segmentar lesiones pequeñas, como las opacidades en vidrio deslustrado (GGOs), tan frecuentes en esta patología.

Esta publicación consolida una línea de investigación centrada en la mejora de modelos para segmentación clínica de precisión, con aplicaciones reales en escenarios de diagnóstico y tratamiento asistido por inteligencia artificial. Nuestro objetivo: garantizar segmentaciones fiables y reproducibles, incluso en modalidades con menor resolución como CBCT.

Advancing precision in medical image segmentation: A performance analysis of loss functions for COVID-19 lung infection segmentation in computed tomography images es uno de los resultados de musicgenia, un proyecto financiado por la ayuda CPP2021-008491 del MICIU/AEI/10.13039/50100011033 y por la Unión Europea a través de NextGenerationEU/PRTR.

¿Te interesa entender por qué la AUFL consigue mejores resultados y cómo se comparan estas funciones en diferentes arquitecturas y modalidades de imagen? Contáctanos y te lo explicamos.