Exploración de modelos de base para la segmentación muscular de múltiples clases en imágenes de RM de trastornos...

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• Ingeniería biomédica

Sus antecedentes:

• Los modelos de aprendizaje profundo (DL) son vitales para la segmentación del músculo esquelético (SM) en la resonancia magnética, ayudando a la extracción de biomarcadores de trastornos neuromusculares (NMD).
• La aplicación clínica requiere modelos de DL con estimaciones de incertidumbre para la evaluación del radiólogo.
• Los modelos de fundación (FM) ofrecen potencial para la generalización y las predicciones calibradas en imágenes médicas.

Objetivo del estudio:

• Para ajustar las FM para la delimitación precisa de los fasciculos SM con infiltración de grasa en pacientes con NMD.
• Evaluar el rendimiento de las FM afinadas con respecto a la precisión de la segmentación y la cuantificación de la incertidumbre.
• Establecer una técnica de IA confiable para la evaluación de la NMD utilizando modelos avanzados de DL.

Principales métodos:

• Modelo de cualquier segmento de ajuste fino (SAM) y MedSAM con configuraciones de codificador/decodificador y sólo decodificador.
• Comparación del rendimiento con el estado de la técnica 2D y 3D nnU-Net en las resonancias magnéticas del muslo de los pacientes con NMD.
• Evaluación de la precisión mediante el coeficiente de similitud de dados (DSC) y la cuantificación de la incertidumbre (UQ) utilizando el error de calibración esperado (ECE) y la probabilidad de registro negativo (NLL).

Principales resultados:

• El SAM afinado (codificador/decodificador) superó a 3D nnU-Net en la segmentación de la infiltración grasa moderada y grave (DSC: 0,886 y 0,857 frente a 0,883 y 0,850).
• SAM demostró una calibración superior (ECE inferior) en los casos moderados y severos de NMD en comparación con nnU-Net.
• MedSAM no ofreció ventajas significativas sobre SAM; Se utilizaron conjuntos profundos para UQ.

Conclusiones:

• El SAM de ajuste fino proporciona una precisión superior y una cuantificación de incertidumbre para la segmentación de la EM en pacientes con DMN.
• Este enfoque mejora la confiabilidad de las herramientas de IA en escenarios de imagen NMD desafiantes.
• El estudio destaca el potencial de SAM para la traducción clínica en el diagnóstico y el monitoreo de NMD.