Un enfoque basado en Mask R-CNN para la detección y segmentación de aneurismas cerebrales a partir de datos TOF-MRA

Área de la Ciencia:

• Neuroimagen
• Inteligencia Artificial
• Diagnóstico Médico

Sus antecedentes:

• La detección precisa de aneurismas intracraneales, especialmente los pequeños (<3 mm), es un desafío en la angiografía por resonancia magnética (TOF-MRA) debido a características sutiles y bajo contraste.
• Los métodos existentes luchan con la sensibilidad para los microaneurismas, lo que requiere técnicas de detección avanzadas.

Objetivo del estudio:

• Desarrollar y evaluar un marco de aprendizaje profundo basado en Mask R-CNN para la detección y segmentación automatizadas de aneurismas intracraneales.
• Mejorar la sensibilidad del modelo para aneurismas pequeños a través de modificaciones arquitectónicas específicas.

Principales métodos:

• Se utilizó un conjunto de datos de 447 volúmenes TOF-MRA (161 con aneurisma, 286 sanos) con validación cruzada de 5 pliegues.
• Se implementó la optimización de hiperparámetros bayesianos (Optuna) y se introdujo una cabeza de ROI consciente de objetos pequeños y anclas personalizadas.
• Se incorporaron escaneos sanos como muestras negativas y se aplicó una aumento de datos específico para mejorar la generalización.

Principales resultados:

• Logró un coeficiente Dice de 0.8832, una precisión de 0.9404 y una sensibilidad de 0.8677.
• Demostró un rendimiento constante en varios tamaños de aneurisma, incluidos los microaneurismas.
• El modelo demostró ser eficaz en la mejora de la modelización del fondo y la calidad de la propuesta de región.

Conclusiones:

• La herramienta de aprendizaje profundo desarrollada ofrece una solución clínicamente viable para la detección de aneurismas intracraneales.
• Las innovaciones arquitectónicas y la optimización automatizada contribuyen a un sistema confiable para ayudar a los radiólogos.
• El marco muestra potencial como sistema de segundo lector, mejorando la precisión diagnóstica en imágenes neurovasculares.