Video Experimental Relacionado
Updated: Sep 9, 2025
Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
Segmentación automatizada de tumores renales en imágenes de TC utilizando aprendizaje profundo: un enfoque en varias
Hung-Cheng Kan1, Geng-Ming Fan2, Ming-Hao Wei3
1In-Service Master Program in Artificial Intelligence in Medicine, College of Medicine, Taipei Medical University, Taipei, Taiwan (H.-C.K., S.-J.P.); Division of Urology, Department of Surgery, Linkou Chang Gung Memorial Hospital, Taoyuan, Taiwan (H.-C.K., P-H.L., I.-H.S., K.-J.Y., S.-T.P., T.W.); College of Medicine, Chang Gung University, Taoyuan, Taiwan (H.-C.K., P-H.L., I.-H.S., K.-J.Y., S.-T.P., T.W.).
Este estudio introduce una red neuronal convolucional automática DeepMedic 3D para segmentar los riñones y los tumores renales en las tomografías computarizadas. El modelo de IA proporciona resultados precisos y reproducibles, mejorando la eficiencia del diagnóstico en oncología renal.
Área de la Ciencia:
- Imágenes médicas
- Inteligencia Artificial en Radiología
- En el campo de la oncología
Sus antecedentes:
- La tomografía computarizada (TC) es crucial para la evaluación del tumor renal, pero la segmentación manual requiere mucho tiempo y es variable.
- La delineación precisa del tumor es vital para el diagnóstico, la planificación del tratamiento y el pronóstico.
- Los métodos actuales se enfrentan a desafíos debido a la heterogeneidad del tumor y los márgenes indistintos.
Objetivo del estudio:
- Desarrollar y validar una línea de segmentación totalmente automatizada para los riñones y los tumores renales utilizando imágenes de TC.
- Abordar la necesidad clínica de herramientas de segmentación automatizadas fiables, precisas y reproducibles.
- Para mejorar los flujos de trabajo de diagnóstico en oncología renal.
Principales métodos:
- Desarrollo de una red neuronal convolucional DeepMedic 3D para la extracción de características a escala múltiple.
- Formación y evaluación en 382 tomografías computarizadas con contraste mejorado con anotaciones médicas.
- Implementación del preprocesamiento de imágenes (conversión de unidades de Hounsfield, ventanas, reconstrucción 3D, resampling) y el postprocesamiento.
Principales resultados:
- Alto rendimiento en la segmentación renal: coeficiente de dados 93,82%, precisión 94,86%, recuerdo 93,66%.
- Segmentación precisa del tumor renal: coeficiente de dado 88.19%, precisión 90.36%, recuerdo 88.23%.
- La validación visual confirmó la relevancia clínica y la precisión de la segmentación automatizada.
Conclusiones:
- El marco basado en DeepMedic ofrece una segmentación robusta y precisa de riñones y tumores renales a partir de tomografías computarizadas.
- La herramienta automatizada tiene el potencial de aplicación en tiempo real, mejorando la eficiencia del diagnóstico.
- Esta tecnología puede ayudar significativamente en la planificación del tratamiento y la gestión del paciente en oncología renal.
