Ítem
Acceso Abierto
Comparación de algoritmos de segmentación heurística de imágenes de angiografía coronaria utilizando técnicas no supervisadas
Título de la revista
Autores
Ramírez Millán, Nicolás
Fecha
2026-06-12
Directores
Caicedo Rodríguez, Pablo Eduardo
ISSN de la revista
Título del volumen
Editor
Universidad del Rosario
Escuela Colombiana de Ingeniería Julio Garavito
Escuela Colombiana de Ingeniería Julio Garavito
Buscar en:
Métricas alternativas
Resumen
El presente trabajo aborda el problema de la segmentación no supervisada de vasos coronarios en imágenes de angiografía, un desafío debido al ruido, los artefactos y la complejidad de las estructuras vasculares. Se comparan dos enfoques de segmentación, W-Net y Segment Anything Model (SAM), y se propone un modelo híbrido que combina las capacidades especializadas de W-Net con la precisión de segmentación de SAM. La estrategia desarrollada utiliza un mapa generado por W-Net para guiar la selección de las segmentaciones producidas por SAM. Los resultados muestran que, aunque el modelo híbrido presenta una menor similitud con las pseudo-etiquetas de entrenamiento, genera segmentaciones visualmente más coherentes y anatómicamente más precisas, evidenciando su potencial para mejorar la segmentación no supervisada de imágenes de angiografía coronaria.
Abstract
This paper addresses the problem of unsupervised segmentation of coronary vessels in angiography images, a challenge posed by noise, artifacts, and the complexity of vascular structures. Two segmentation approaches, W-Net and the Segment Anything Model (SAM), are compared, and a hybrid model is proposed that combines the specialized capabilities of W-Net with the segmentation accuracy of SAM. The developed strategy uses a map generated by W-Net to guide the selection of segmentations produced by SAM. The results show that, although the hybrid model exhibits less similarity to the training pseudo-labels, it generates visually more coherent and anatomically more accurate segmentations, demonstrating its potential to improve unsupervised segmentation of coronary angiography images.
Palabras clave
Segmentación No Supervisada , Angiografia coronaria , Deep learning , W-Net , Segment Anything Mode
Keywords
Unsupervised segmentation , Coronary angiography , Deep learning , W-Net , Segment Anything Model
