Segmentación del lóbulo pulmonar: rendimiento de los modelos de código abierto MOOSE, TotalSegmentator y LungMask en...

Área de la Ciencia:

• Imágenes médicas
• La inteligencia artificial en la medicina
• Cirugía torácica

Sus antecedentes:

• La segmentación precisa del lóbulo pulmonar es crucial para evaluar la función lobar utilizando imágenes nucleares antes de las intervenciones quirúrgicas.
• La evaluación del rendimiento de las herramientas de aprendizaje profundo de código abierto para la segmentación del lóbulo pulmonar es esencial para la aplicación clínica.

Objetivo del estudio:

• Comparar el rendimiento de las herramientas de segmentación del lóbulo pulmonar de código abierto con un modelo entrenado a medida.
• Evaluar la generalización y las limitaciones de los modelos de aprendizaje profundo en la segmentación de los lóbulos pulmonares a través de diferentes niveles de dificultad.

Principales métodos:

• Se recogieron y segmentaron semiautomáticamente 164 tomografías computarizadas (TC), clasificándolas por la dificultad de la tarea.
• Se evaluaron tres modelos de código abierto (MOOSE, TotalSegmentator, LungMask) y un modelo de nnU-Net entrenado a medida utilizando el coeficiente de similitud de dados (DSC), rH d95 y NSD.
• Evaluación de la generalización del modelo en un conjunto de datos externos (LOLA11).

Principales resultados:

• TotalSegmentator superó a MOOSE en DSC y NSD, mientras que ambos superaron a LungMask en todas las métricas.
• El modelo nnU-Net entrenado a medida logró un rendimiento superior tanto en conjuntos de datos internos como externos en todos los niveles de dificultad.
• El modelo personalizado y LungMask fueron más efectivos en la identificación de lóbulos faltantes en casos complejos.

Conclusiones:

• Las herramientas de segmentación de código abierto son efectivas para casos sencillos, pero fallan con anomalías pulmonares complejas o desconocidas.
• La capacitación de modelos de aprendizaje profundo en conjuntos de datos diversos y representativos mejora la generalización y el rendimiento en escenarios desafiantes.
• La diversidad de datos es más crítica que la cantidad de datos para mejorar los modelos de segmentación de aprendizaje profundo.