Segmentación de tubos y líneas de catéter en radiografías de tórax utilizando modelos de aprendizaje profundo

Los tubos y líneas de catéter son uno de los hallazgos anormales más comunes en una radiografía de tórax. Los catéteres mal colocados pueden causar complicaciones graves, como neumotórax, perforación cardíaca o trombosis, y por esta razón, la evaluación de la posición del catéter es de suma importancia. Para prevenir estos problemas, los radiólogos suelen examinar las radiografías de tórax para evaluar sus posiciones después de la inserción y durante el cuidado intensivo. Sin embargo, este proceso es tanto laborioso como propenso a errores humanos. Interpretaciones automatizadas eficientes y confiables tienen el potencial de reducir los gastos de los procedimientos quirúrgicos, disminuir la carga sobre los radiólogos y mejorar el nivel de atención para los pacientes. Para abordar este desafío, hemos investigado la tarea de segmentación precisa de tubos y líneas de catéter en radiografías de tórax utilizando modelos de aprendizaje profundo. En este trabajo, hemos utilizado aprendizaje por transferencia y redes basadas en transformadores donde utilizamos dos modelos diferentes: un modelo basado en U-Net++ con pre-entrenamiento en ImageNet y un codificador EfficientNet, que aprovecha diversas características visuales en ImageNet para mejorar la precisión de segmentación, y una arquitectura U-Net basada en transformadores debido a su capacidad para manejar dependencias a largo alcance en tareas complejas de segmentación de imágenes médicas. Nuestros experimentos revelan la efectividad del modelo basado en U-Net++ para manejar imágenes ruidosas y cargadas de artefactos y el potencial de TransUNET para capturar características espaciales complejas. Comparamos ambos modelos utilizando el coeficiente de Dice como métrica de evaluación y determinamos que U-Net++ supera a TransUNET en términos de estas métricas de segmentación. Nuestro objetivo es lograr una detección de tubos de catéter más robusta y confiable en radiografías de tórax, mejorando en última instancia la toma de decisiones clínicas y la atención al paciente en entornos críticos de atención médica.