DualMiT-Net: Ibrido Transformer-CNN per la Segmentazione delle Masse Mammarie

I ricercatori hanno introdotto DualMiT-Net, una nuova architettura di deep learning a doppio ramo per la segmentazione delle masse mammarie in regioni di interesse mammografiche. Il modello combina un ramo locale che utilizza un encoder Mix Transformer (MiT-B5) per catturare forma, texture e dettagli dei bordi della massa, con un ramo globale che impiega un encoder EfficientNet-B5 per apprendere il contesto del tessuto mammario circostante. Le caratteristiche di entrambi i rami vengono condivise ai livelli più profondi dell'encoder e fuse progressivamente in un singolo decoder, con un gate spaziale che controlla l'aggiunta di informazioni globali durante la decodifica. Lo studio ha anche valutato quattro rappresentazioni di input, selezionando come ottimale una mammografia con finestra percentile combinata con una risposta di texture di Gabor. Il modello è stato addestrato e valutato su un dataset non specificato, con l'articolo disponibile su arXiv con identificatore 2608.15019. Questo lavoro affronta le sfide della mammografia computerizzata, come il basso contrasto, le forme irregolari e i confini ambigui delle masse mammarie, con l'obiettivo di migliorare l'accuratezza della segmentazione per applicazioni cliniche.