Segmentación del haz de materia blanca supervisada en pacientes con glioma con aprendizaje de transferencia

Área de la Ciencia:

• Imágenes neurológicas
• Inteligencia artificial
• Neurociencia computacional

Sus antecedentes:

• La disección virtual de la sustancia blanca ayuda al monitoreo neurológico y a la planificación del tratamiento.
• Los modelos de aprendizaje profundo muestran una alta precisión para la segmentación de la materia blanca en individuos sanos.
• Los conjuntos de datos clínicos limitados y las diferencias en la población dificultan la aplicación del aprendizaje profundo en los pacientes.

Objetivo del estudio:

• Investigar el aprendizaje de transferencia para adaptar modelos de aprendizaje profundo de poblaciones sanas a pacientes con glioma.
• Caracterizar los componentes de desplazamiento de dominio (sistemático frente a específico del tumor) en la segmentación de la materia blanca.
• Evaluar la eficacia del aprendizaje por transferencia para abordar la escasez de datos y el cambio de dominio.

Principales métodos:

• Entrenó una arquitectura de aprendizaje profundo en un gran conjunto de datos de población sana.
• Aprendizaje de transferencia aplicado para adaptar el modelo a los datos de pacientes con glioma.
• Cambio de dominio caracterizado mediante la distinción de componentes sistemáticos y específicos del tumor.
• Se evaluó el rendimiento del modelo en cinco paquetes de materia blanca y tres modalidades de entrada.

Principales resultados:

• Los modelos entrenados con datos sanos mostraron una caída significativa en el rendimiento en pacientes con glioma.
• El aprendizaje por transferencia gestionó eficazmente el cambio sistemático de dominio y mitigó la escasez de datos.
• El ajuste fino no pudo compensar por completo las grandes deformaciones de la materia blanca causadas por los tumores.
• Los resultados demostraron robustez y generalizabilidad en diferentes paquetes y modalidades.

Conclusiones:

• El aprendizaje de transferencia es una estrategia viable para la segmentación de la materia blanca en poblaciones clínicas, especialmente para administrar el cambio sistemático de dominio.
• Los modelos de aprendizaje profundo requieren un mayor desarrollo para manejar cambios anatómicos complejos inducidos por tumores.
• Este estudio proporciona información para el avance de la segmentación automatizada y las aplicaciones de aprendizaje de transferencia clínica.