Quantenspezifische Bildsegmentierung: 95,5 % Dice bei nur 599 Trainingsbildern

In einer bahnbrechenden Studie zur Mammalgrafiksegmentierung gelingt es Forschern, mit lediglich 599 Trainingsbildern einen Dice‑Score von 95,5 % zu erzielen – ein Ergebnis, das die Grenzen herkömmlicher Methoden sprengt. Trotz der extremen Datenknappheit, bei der nur 4 % aller Pixel Brustgewebe darstellen und 60 % der Bilder überhaupt keine Brustregionen enthalten, liefert das neue Verfahren herausragende Ergebnisse.

Der Schlüssel liegt in einer quanteninspirierten Kantenerweiterung: Mehrskalige Gabor‑Filter erzeugen einen vierten Eingangskanal, der die Kantenerkennung deutlich verbessert. Diese Technik kompensiert die inter‑Annotator‑Variabilität von bis zu ± 3 Pixeln und steigert die Randgenauigkeit um 2,1 %.

Zur Bewältigung der starken Klassenungleichgewichte – Brustzellen bedecken lediglich 0,1 % bis 20 % der Bildfläche – kombiniert das Modell einen stabilisierten, mehrkomponentigen Verlust. Dieser integriert einen adaptiven Dice‑Loss, randbewusste Terme und eine automatische positive Gewichtung. Zusätzlich wird eine komplexitätsbasierte, gewichtete Stichprobenstrategie eingesetzt, die besonders schwierige Brustzellen priorisiert.

Die Architektur verbindet EfficientNet‑B7 mit UNet++, wobei ein 4‑zu‑3‑Kanals‑Projektionsschritt die Nutzung vortrainierter Gewichte ermöglicht, selbst bei begrenzten medizinischen Bilddaten. Für die Validierung kommen exponentielle gleitende Mittelwerte und statistische Ausreißererkennung zum Einsatz, wodurch zuverlässige Leistungsabschätzungen auf einer kleinen Validierungsmenge von 129 Bildern erzielt werden.

Das Ergebnis: Ein Dice‑Score von 95,5 % ± 0,3 % und ein IoU von 91,2 % ± 0,4 %. Diese Leistung demonstriert, dass innovative Kombinationen aus quantenbasierten Bildverbesserungen, adaptiven Verlustfunktionen und intelligenten Sampling‑Strategien selbst unter extremen Datenbeschränkungen medizinische Bildsegmentierung auf ein neues Niveau heben können.