Segmentazione del Glioma Post-Operatoria tramite Stabilizzazione della Perdita, Normalizzazione e Attenzione per Sottospazi

Un recente studio pubblicato su arXiv (2607.22749) affronta il problema della segmentazione automatizzata del glioma dopo l'intervento chirurgico per monitorare i tumori residui. I ricercatori hanno condotto uno studio di ablazione utilizzando i dataset MU-GLIOMA-POST e UCSF-ALPTDG, rivelando che la Generalized Dice Loss (GDL) convenzionale mostra instabilità di fronte a cambiamenti di dominio: il punteggio Dice della Lesione Intera (WL) diminuisce da 0,88 durante la validazione interna a 0,73 sul test set esterno UCSF. Per migliorare la generalizzazione, implementano la normalizzazione percentile con maschera cerebrale insieme all'apprendimento contrastivo a livello di voxel. Inoltre, introducono un modulo Subspace-Aware Class Attention (SACA) che migliora la sensibilità per il Tumore in Crescita (ET) dell'8% (un aumento relativo del 9,1%) durante la validazione interna. La combinazione di questi miglioramenti aumenta ulteriormente le prestazioni, sottolineando la necessità di metodi affidabili in contesti clinici.