La segmentación de imágenes médicas es un paso clave en el análisis de imágenes de escáneres de órganos o partes del cuerpo por parte de los médicos, asignando etiquetas anatómicas a las diferentes partes de la imagen, como la corteza cerebral o el tronco encefálico, para guiar el diagnóstico, la planificación quirúrgica y la investigación. Tradicionalmente, este proceso depende de la realización manual por clínicos, lo que es consume tiempo y esfuerzo. En los últimos años, las U-Nets, como una arquitectura de IA diseñada específicamente para la segmentación de imágenes médicas, se han convertido en el estándar, pero requieren grandes cantidades de datos y recursos para imágenes grandes o 3D, con costos elevados.

Ante este desafío, el estudiante de doctorado en ingeniería eléctrica y de computación de la Universidad Rice, Kushal Vyas, y su equipo propusieron MetaSeg, un nuevo método de segmentación de imágenes médicas. En experimentos con datos de imágenes por resonancia magnética (MRI) cerebrales en 2D y 3D, MetaSeg mostró un rendimiento de segmentación comparable al de las U-Nets, pero con una reducción del 90% en el número de parámetros requeridos. Vyas señaló: "MetaSeg no sigue el camino de las U-Nets, sino que adopta representaciones neurales implícitas (INR), un marco de red neuronal previamente no utilizado en segmentación de imágenes." Las INR convierten las imágenes médicas en fórmulas matemáticas, interpretando con precisión el valor de señal de cada píxel o vóxel. Aunque las INR son altamente específicas y generalmente solo aplicables a señales/imágenes individuales de entrenamiento, MetaSeg utiliza estrategias de metaaprendizaje para permitir que las INR se adapten rápidamente a nuevas imágenes, decodificando etiquetas y prediciendo contornos de regiones anatómicas.

El profesor asistente de ingeniería eléctrica y de computación de la Universidad Rice, Guha Balakrishnan, comentó: "MetaSeg trae una perspectiva completamente nueva y escalable al campo de la segmentación de imágenes médicas, que ha estado dominado por U-Nets durante una década." Los resultados de esta investigación no solo prometen reducir los costos de segmentación de imágenes médicas manteniendo el rendimiento óptimo, sino que también demuestran el enorme potencial de la IA en el campo de la salud médica. Como autor correspondiente, Balakrishnan es miembro del ecosistema de investigadores de vanguardia en innovación en salud digital de la Universidad Rice, que abarca el programa de salud digital y el Instituto Conjunto de Salud Digital.