Segmentación automatizada basada en IA de lesiones focales hepáticas caninas de estudios de TC

Área de la Ciencia:

• Medicina veterinaria y de otras enfermedades
• Imágenes médicas
• Inteligencia artificial

Sus antecedentes:

• Las masas hepáticas son comunes en perros, y el tratamiento depende de una segmentación precisa para la planificación.
• La extirpación quirúrgica es estándar, pero la quimioterapia se utiliza cuando las masas son inoperables.
• La segmentación precisa de la lesión es crítica para las estrategias de tratamiento efectivas.

Objetivo del estudio:

• Desarrollar y evaluar un algoritmo de aprendizaje profundo para la segmentación automática de masas hepáticas caninas.
• Para mejorar la precisión y eficiencia de la identificación de tumores hepáticos en perros.

Principales métodos:

• Se desarrolló un algoritmo de aprendizaje profundo utilizando el marco nnUNet v2.
• El algoritmo fue entrenado en 130 casos de tomografía computarizada canina con segmentación manual de lesiones para la verdad del terreno.
• El modelo fue probado en 45 casos adicionales de TC canina.

Principales resultados:

• El algoritmo logró una alta precisión con una puntuación promedio de dados de 0,86.
• La distancia simétrica media de la superficie (ASSD) fue de 2,70 mm, lo que indica una segmentación precisa.
• El modelo de aprendizaje profundo demostró un potencial significativo para su aplicación clínica.

Conclusiones:

• Este estudio presenta el primer algoritmo basado en el aprendizaje profundo para la segmentación automática de las masas hepáticas caninas en TC.
• El algoritmo muestra una alta precisión y una utilidad potencial en la práctica clínica veterinaria.
• Esta tecnología puede mejorar la planificación del tratamiento de los tumores hepáticos en perros.