Aprendizaje profundo para segmentar el infarto isquémico en tomografías computarizadas sin contraste utilizando la...

Área de la Ciencia:

• Imágenes médicas
• La inteligencia artificial en la medicina
• Neurología

Sus antecedentes:

• La tomografía computarizada sin contraste (NCCT) es crucial para las decisiones de tratamiento del accidente cerebrovascular isquémico agudo (AIS).
• Las limitaciones de la NCCT en el contraste y la relación señal-ruido desafían el diagnóstico preciso del radiólogo y la segmentación automatizada de la lesión.
• La segmentación precisa de las lesiones de AIS en NCCT sigue siendo un obstáculo importante en la práctica clínica.

Objetivo del estudio:

• Desarrollar un método avanzado de segmentación para las lesiones isquémicas en las exploraciones NCCT.
• Mejorar la identificación y segmentación de las regiones isquémicas mediante la integración del aprendizaje basado en la simetría con el modelo nnUNet.
• Mejorar la precisión del diagnóstico y la utilidad clínica de la segmentación automática de lesiones AIS.

Principales métodos:

• Un nuevo enfoque que combina un módulo generativo (2.5D ResUNet) y un módulo de segmentación aguas arriba dentro del marco 3D nnUNet.
• Integración de principios de aprendizaje basados en la simetría para mejorar la identificación de lesiones.
• Utilizó el conjunto de datos AISD (397 escaneos NCCT) para capacitación, validación y pruebas internas, con conjuntos de datos externos adicionales para validación y evaluación de rendimiento.
• Incorpora una función de probabilidad de lesión basada en la intensidad y canales de entrada específicos para aumentar la sensibilidad y la especificidad.

Principales resultados:

• Se obtuvo un coeficiente de similitud de dados (DSC) de 0,6720 y una distancia de Hausdorff (HD95) de 35,28 en el conjunto de datos de prueba interna.
• Se ha demostrado una segmentación satisfactoria en el conjunto de datos del ensayo externo con DSC de 0,4891 y HD95 de 46,06.
• Alcanzó un área bajo la curva (AUC) superior de 0,991 para la clasificación en el conjunto de pruebas externas en comparación con la línea de base nnUNet (0,947).

Conclusiones:

• Se introdujo una nueva técnica de segmentación integrada por simetría para lesiones isquémicas en exploraciones NCCT.
• El método muestra un potencial significativo para mejorar la precisión de la segmentación y clasificación automáticas de las lesiones AIS.
• Este enfoque podría conducir a una mejora en la toma de decisiones clínicas y en los resultados de los pacientes en la atención del accidente cerebrovascular.