Arquitecturas validadas

Esta página presenta únicamente las arquitecturas LBMNet que han sido implementadas, evaluadas experimentalmente o descritas formalmente en nuestros trabajos de investigación.

Cada arquitectura incluida está acompañada de su aplicación, configuración de la red de Boltzmann (lattice), estado de implementación, resultados experimentales y recursos de investigación disponibles.

Las arquitecturas que aún se encuentran en desarrollo están claramente identificadas como experimentales y no se presentan como modelos validados.

1. U-LBMNet: Segmentación 3D de Imágenes Médicas

U-LBMNet es una arquitectura tridimensional de codificador-decodificador inspirada en la física para la segmentación de imágenes médicas volumétricas. Inspirado en el diseño de las redes en forma de U y en el Método de Boltzmann en Red (Lattice Boltzmann Method, LBM), el modelo integra operadores entrenables de colisión y propagación (streaming) dentro de un marco jerárquico multiescala para extraer con precisión las estructuras anatómicas de imágenes médicas volumétricas. El codificador captura progresivamente información contextual tanto local como global, mientras que el decodificador reconstruye mapas de segmentación de alta resolución mediante conexiones de salto (skip connections) que preservan los detalles espaciales más finos.
A diferencia de las redes convolucionales tridimensionales convencionales, U-LBMNet incorpora propagación de características basada en redes de Boltzmann (lattice-based feature propagation), transformaciones de momentos y un flujo de información inspirado en la física para mejorar la representación de las características y la coherencia espacial a lo largo de todo el proceso de segmentación. Este diseño permite un aprendizaje eficiente de patrones anatómicos tridimensionales complejos, manteniendo al mismo tiempo una alta eficiencia computacional y una gran robustez.
La arquitectura es adecuada para una amplia variedad de modalidades de imagen volumétrica, incluyendo la Tomografía Computarizada (CT), la Resonancia Magnética (MRI), la Tomografía Computarizada de Haz Cónico (CBCT) y la ecografía tridimensional. Sus aplicaciones típicas incluyen la segmentación de órganos, la delimitación de tumores, la detección de lesiones, la segmentación de vasos sanguíneos, la planificación radioterapéutica, la navegación quirúrgica, el seguimiento de enfermedades y el diagnóstico asistido por computadora.U-LBMNet ha sido diseñado como un marco de trabajo flexible que puede adaptarse a diferentes tareas clínicas de segmentación mediante la modificación de la configuración de la red de Boltzmann (lattice), la profundidad del codificador, la capacidad del decodificador y los mecanismos de atención, preservando al mismo tiempo los principios fundamentales de la familia LBMNet. Su diseño modular también facilita la integración de componentes avanzados, como los operadores de Tiempo de Relajación Múltiple (Multiple-Relaxation-Time, MRT), los módulos de atención basados en la red de Boltzmann (lattice attention) y las estrategias de fusión de características a múltiples escalas (multi-scale feature fusion).

Clase GT: 1 | Clase predicha: 1 | Probabilidades [sin tumor, tumor]: [0.06287, 0.93713] | Vóxeles de tumor (GT): 111,724 | Vóxeles de tumor predichos: 115,862 | Coeficiente Dice: 0.848 | IoU: 0.736

Clase GT: 1 | Clase predicha: 1 | Probabilidades [sin tumor, tumor]: [0.06143, 0.93857] | Vóxeles de tumor (GT): 120,660 | Vóxeles de tumor predichos: 116,534 | Coeficiente Dice: 0.938 | IoU: 0.882

Más Arquitecturas