Modelo de IA segmenta automáticamente imágenes de resonancia magnética

Para interpretar las imágenes de RM en profundidad, es necesario delinear o marcar diversas estructuras anatómicas, como órganos, músculos y huesos, en un proceso conocido como segmentación. Tradicionalmente, la segmentación de imágenes de RM se ha realizado de forma manual, lo que consume mucho tiempo, requiere un esfuerzo significativo por parte de los radiólogos y está sujeto a variabilidad entre diferentes lectores.

Los sistemas automatizados ofrecen el potencial de reducir la carga de trabajo del radiólogo, minimizar los errores humanos y ofrecer resultados más consistentes y reproducibles. Los investigadores ahora han desarrollado y probado un modelo de inteligencia artificial (IA) robusto capaz de segmentar automáticamente las principales estructuras anatómicas en imágenes de RM, independientemente de la secuencia. En un estudio publicado en la revista Radiology, el modelo de IA superó a otras herramientas disponibles públicamente.

Los investigadores del Hospital Universitario de Basilea (Basilea, Suiza) desarrollaron TotalSegmentator MRI, una herramienta de segmentación automatizada de código abierto basada en nnU-Net, un marco de auto-configuración que ha establecido nuevos estándares en la segmentación de imágenes médicas. Esta herramienta puede adaptarse a nuevos conjuntos de datos con una mínima intervención del usuario, ajustando automáticamente su arquitectura, preprocesamiento y estrategias de entrenamiento para optimizar el rendimiento.

Un modelo similar para tomografía computarizada, (TotalSegmentator CT) ya está en uso por más de 300.000 usuarios en todo el mundo, procesando más de 100,000 imágenes de TC diariamente. En su estudio retrospectivo, los investigadores entrenaron a TotalSegmentator MRI para realizar una segmentación independiente de la secuencia en estructuras anatómicas principales, utilizando un conjunto de datos aleatorio compuesto por 616 estudios de RM y 527 de TC.

El conjunto de entrenamiento incluyó datos de segmentación de 80 estructuras anatómicas, comúnmente utilizadas para tareas como la medición de volúmenes, la caracterización de enfermedades, la planificación quirúrgica y la realización de cribados oportunistas. Para evaluar el rendimiento del modelo, se calcularon las puntuaciones Dice (métricas que miden la similitud entre dos conjuntos de datos) comparando las segmentaciones previstas con los estándares de referencia establecidos por los radiólogos.

El modelo funcionó bien en las 80 estructuras anatómicas, logrando una puntuación Dice de 0,839 en un conjunto de pruebas de RM interna. Además, superó significativamente a dos modelos de segmentación disponibles públicamente, con puntuaciones de 0,862, 0,838 y 0,560, respectivamente, e igualó el rendimiento de TotalSegmentator CT. Más allá de la investigación y el desarrollo de productos de IA, los investigadores creen que el modelo tiene el potencial de usarse clínicamente para la planificación del tratamiento, el seguimiento de la progresión de la enfermedad y la realización de exámenes de detección oportunistas.

“Utilizamos muchos más datos y segmentamos muchos más órganos, huesos y músculos que lo que se había hecho hasta ahora. Nuestro modelo también funciona en diferentes escáneres de resonancia magnética y configuraciones de adquisición de imágenes”, dijo el Dr. Jakob Wasserthal, científico investigador del Departamento de Radiología del Hospital Universitario de Basilea. “Hasta donde sabemos, nuestro modelo es el único que puede segmentar automáticamente el mayor número de estructuras en las resonancias magnéticas de cualquier secuencia. Es una herramienta que ayuda a mejorar el trabajo de los radiólogos, hace que las mediciones sean más precisas y permite realizar otras mediciones que habrían llevado demasiado tiempo si se hubieran hecho manualmente”.