La segmentación de tumores hepáticos, la regresión de realce dinámico y la clasificación representan componentes críticos para la evaluación clínica, aunque tradicionalmente se han abordado por separado debido a la complejidad de integrar sus procesos. Ningún método anterior había logrado unificar estas tareas en un marco integral que aproveche las sinergias entre ellas, principalmente por la dificultad en capturar relaciones inter-tarea y extraer información relevante de resonancias magnéticas dinámicas. Para superar estas limitaciones, presentamos MTI-Net, una red neuronal que implementa un enfoque adversarial multitarea diseñado específicamente para ejecutar estas funciones de manera simultánea y coordinada.


Integración de dominios múltiples con fusión por entropía

La arquitectura incorpora el módulo MdIEF, que utiliza información espectral de alta frecuencia consciente de la entropía para fusionar características provenientes tanto del dominio frecuencial como del espectral. Este mecanismo permite una extracción más eficiente de los datos de MRI dinámicos, superando las limitaciones de métodos convencionales que no logran aprovechar completamente la riqueza informativa de estas secuencias. Al operar en múltiples dominios, el sistema consigue una representación más robusta y detallada de las características del tumor, lo cual es fundamental para los pasos subsiguientes de segmentación y clasificación.

Sinergia entre tareas y aprendizaje adversarial

Mediante un módulo de interacción de tareas, MTI-Net establece consistencia de alto orden entre la segmentación y la regresión, fomentando la mejora mutua entre estas funciones. Adicionalmente, incorpora un discriminador impulsado por tareas que captura relaciones internas complejas entre los diferentes objetivos del modelo. Para el procesamiento de secuencias dinámicas de MRI, se emplea una red Transformer superficial que realiza codificación posicional, capturando así las relaciones temporales y espaciales dentro de las series de imágenes médicas.

Los resultados experimentales en un conjunto de 238 sujetos demuestran que MTI-Net alcanza un alto rendimiento en todas las tareas simultáneamente, validando su potencial para asistir en el diagnóstico clínico de tumores hepáticos. Parece que por fin las redes neuronales están aprendiendo a trabajar en equipo mejor que muchos departamentos hospitalarios.