Codificador-decodificador con autoatención para la segmentación de materia gris en resonancia magnética cerebral

La resonancia magnetica cerebral es clave para el diagnostico asistido por computador, pero la segmentacion manual es costosa, lenta y dependiente del operador. Se presenta un pipeline para segmentar materia gris (SG) que combina un preprocesamiento minimo (armonizacion de forma, teselado por parches) con un codificador-decodificador 3D que integra autoatencion global y conexiones de salto multiescala. En el conjunto de prueba MRBrainS18, el modelo logra un Dice de 0.650 +/- 0.043, un IoU de 0.483 +/- 0.046, una precision de 0.700 +/- 0.046 y un recall de 0.610 +/- 0.059; las distribuciones por sujeto son compactas, lo que refleja consistencia entre casos. Las metricas de solapamiento muestran ausencia de relacion monotona con la distancia de Hausdorff (r ~ 0.08), lo que resalta la sensibilidad de los bordes aun con buen solapamiento global. El analisis de Bland-Altman evidencia un sesgo volumetrico negativo (RVE = -12.54 % +/- 9.53 %), consistente con una precision mayor que el recall y con predicciones conservadoras en las interfaces tisulares. Las lineas base clasicas (Otsu multiumbral y crecimiento de regiones), evaluadas en un subconjunto representativo, presentan menor rendimiento; el modelo mejora Dice e IoU en un 50 % frente a la mejor linea base.