ADEST-U-Net: A Dual-Encoder Architecture for Cross-Organ and Cross-Modality Transfer Learning in Data-Scarce Medical Image Segmentation
Este artículo propone ADEST-U-Net, una arquitectura de doble codificador que aprovecha el aprendizaje por transferencia entre órganos y modalidades desde modelos de tumores cerebrales por RM para mejorar significativamente la precisión de la segmentación de tumores hepáticos y reducir los falsos positivos en tomografías computarizadas bajo condiciones de escasez de datos.