Medición de la plausibilidad anatómica en la segmentación de imágenes médicas: un enfoque basado en autocodificadores variacionales
Date
2025
Authors
Fonzo, Natalia
relationships.isContributorOfPublication
Ferrante, Enzo
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad de San Andrés. Departamento de Matemática y Ciencias
Abstract
Los algoritmos de segmentación de imágenes son fundamentales en el diagnóstico y tratatamiento asistido por computadora. Dado el impacto que pueden tener en la práctica clínica, es crucial contar con métricas de evaluación que estén alineadas con el objetivo final del algoritmo. En este sentido, medir la calidad anatómica de la segmentación de una imagen médica tiene una importancia significativa. Las métricas existentes son usualmente insensibles a esta dimensión. Este trabajo explora la viabilidad de utilizar Autocodificadores Variacionales (VAEs, por sus siglas en inglés) como una forma de aprender métricas anatómicamente sensibles, útiles para evaluar la calidad y, más aún, la plausibilidad de la segmentación de imágenes médicas. Se explora si los espacios latentes aprendidos por estos modelos tienen la capacidad de capturar distancias anatómicas, si se comportan simétricamente y si distinguen formas inorgánicas. Además, se evalúa cómo influyen en dichos aspectos las dimensiones del VAE, la estrategia de entrenamiento y la métrica de distancia utilizada.
Description
Fil: Fonzo, Natalia. Universidad de San Andrés. Departamento de Matemática y Ciencias; Argentina.