Nuova Funzione di Perdita AI che Utilizza la Logica Fuzzy Migliora la Segmentazione delle Immagini Cerebrali MRI

È stata introdotta una nuova funzione di perdita per modelli di deep learning che incorpora la logica fuzzy per gestire l'incertezza nella segmentazione delle immagini mediche. Questo approccio si rivolge specificamente alla segmentazione dei tessuti cerebrali dalle scansioni di risonanza magnetica (MRI), un compito cruciale per la ricerca sulle malattie neurologiche e l'analisi delle immagini mediche. Il metodo combina la funzione di perdita di entropia incrociata categoriale (CCE) con un componente di entropia fuzzy derivato dai principi della logica fuzzy. Tenendo conto delle incertezze intrinseche nella classificazione dei pixel, la funzione mira a migliorare l'ottimizzazione del modello. La valutazione è stata condotta su due set di dati benchmark pubblicamente disponibili: IBSR e OASIS. Due architetture di reti neurali ampiamente riconosciute, U-Net e U-Net++, sono state utilizzate negli esperimenti. I risultati hanno indicato che i modelli addestrati con la funzione di perdita proposta hanno ottenuto prestazioni superiori rispetto agli approcci standard. La ricerca è stata annunciata su arXiv con l'identificatore arXiv:2604.16490v1 con un tipo di annuncio incrociato. Il lavoro affronta una sfida fondamentale nel calcolo delle immagini mediche migliorando l'accuratezza nel distinguere vari tessuti cerebrali.