Medical image segmentation is a method for partitioning medical images into regions corresponding to anatomical structures or pathologies.La segmentación de imágenes médicas divide automáticamente un escaneo en estructuras anatómicas o patológicas. Los métodos modernos, especialmente las arquitecturas de aprendizaje profundo como U-Net, procesan las imágenes a múltiples escalas, capturando tanto detalles finos como el contexto general. El resultado es un mapa de probabilidades para cada píxel: la posibilidad de pertenecer a una clase u otra (tumor, hígado). El entrenamiento requiere grandes conjuntos de datos etiquetados, que a menudo se aumentan artificialmente (rotaciones, reflexiones).
La segmentación por umbralización apareció en los años 70. En 1988, Kass y colaboradores propusieron los modelos de contornos activos, que optimizan funciones de energía para encontrar bordes. Con la llegada del aprendizaje profundo, la arquitectura U-Net (Ronneberger et al., 2015) revolucionó el campo, permitiendo el aprendizaje de extremo a extremo con datos limitados. Las mejoras posteriores incluyen mecanismos de atención y modelos basados en transformers. Conferencias líderes: MICCAI, MIDL.
La CNN se entrena con imágenes que tienen etiquetas por píxel. La U-Net comprime la imagen en un cuello de botella estrecho mediante convoluciones y capas de pooling, y luego la expande de vuelta con convoluciones transpuestas. Las conexiones de salto empalman las características de alta resolución del codificador con el decodificador, preservando los detalles finos. La última capa utiliza softmax (para múltiples clases) o sigmoide (para el caso binario). La función de pérdida de Dice (1 - 2|X∩Y|/(|X|+|Y|)) maneja el desequilibrio de clases. El posprocesamiento (componentes conectados, CRF) mejora los bordes.
Delinear los límites del tumor en una resonancia magnética para planificar la radioterapia o medir los volúmenes de los órganos en una tomografía computarizada.
La arquitectura U-Net, que se asemeja a la letra 'U', ganó el desafío de seguimiento celular ISBI en 2015 y ahora es la base de la mayoría de las herramientas de segmentación médica.
| ⟨r²⟩ | variable | Total mean square radius — mean square radius metre squared |
| w_i | variable | Weighting factor for component i — weighting factor |
| ⟨r_i²⟩ | variable | Mean square radius of component i — mean square radius component metre squared |
| ∑ | operador | Adds contributions from each component — suma |
















