Parcelación y anotación mandibular y maxilar basadas en imágenes mediante tomografía computarizada (IMPACT): una...

Área de la Ciencia:

• La radioterapia
• Imágenes médicas
• Inteligencia artificial

Sus antecedentes:

• La delineación precisa de las estructuras odontológicas en las imágenes de tomografía computarizada (TC) es crucial para la dosimetría de la radioterapia y la planificación del tratamiento dental.
• Los métodos actuales para segmentar los subvolúmenes de dientes, mandíbula y maxilar pueden consumir mucho tiempo y pueden carecer de precisión.

Objetivo del estudio:

• Desarrollar y evaluar un marco de auto-segmentación de aprendizaje profundo (DL) para dientes individuales y subvolúmenes de mandíbula/maxilar.
• Alinear la segmentación con el sistema de estadificación de la osteoradionecrosis ClinRad para mejorar la relevancia clínica.

Principales métodos:

• Se desarrolló un marco de auto-segmentación de DL utilizando un modelo Swin UNETR para subvolúmenes de mandíbula y un modelo ResUNet-Swin UNETR de dos etapas para subvolúmenes de dientes y maxilar.
• Los modelos fueron entrenados con imágenes de simulación de tomografía computarizada de 60 casos clínicos con estructuras odontológicas definidas manualmente.
• Se evaluó la precisión de la segmentación, la precisión geométrica y las diferencias de volumen de dosis entre la segmentación manual y la automatizada.

Principales resultados:

• El marco DL logró un rendimiento de segmentación variable entre las estructuras, con valores medios de Dice que oscilan entre 0,69 y 0,85.
• El subvolumen maxillar alveolar central mostró diferencias estadísticamente significativas de dosis-volumen (D media y D2%) entre las segmentaciones manuales y automáticas.
• El modelo demostró una aplicabilidad limitada para la segmentación de subvolúmenes no presentes en los datos de formación.

Conclusiones:

• Se desarrolló con éxito un nuevo marco de auto-segmentación basado en DL para estructuras odentarias.
• Esta herramienta permite la localización espacial de las diferencias relacionadas con la dosis, mejorando potencialmente la detección de lesiones óseas basadas en imágenes.
• El marco puede mejorar la toma de decisiones clínicas en oncología por radiación y atención dental para pacientes con cáncer de cabeza y cuello.