Un conjunto de datos CT abdominal multicalificador y multiorgano para análisis de calibración y modelado de...

Área de la Ciencia:

• Imágenes Médicas
• Inteligencia Artificial
• Ingeniería Biomédica

Sus antecedentes:

• Los modelos de aprendizaje profundo (DL) enfrentan desafíos para segmentar con precisión estructuras ambiguas como tumores y límites de órganos en imágenes médicas.
• La variabilidad entre evaluadores entre expertos conduce a resultados de segmentación inconsistentes, lo que afecta la toma de decisiones clínicas.
• Los modelos de DL mal calibrados y con exceso de confianza pueden engañar a los radiólogos con respecto a la evaluación del riesgo de malignidad.

Objetivo del estudio:

• Establecer el desafío CURVAS (Calibración e Incertidumbre para la Evaluación del Volumen multicalificador en la Segmentación multiorgano) para abordar la incertidumbre de la segmentación y los problemas de calibración.
• Evaluar conjuntamente la incertidumbre, la calibración y la calidad de la segmentación en tareas de segmentación multiorgano.
• Promover la relevancia clínica evaluando los volúmenes de órganos teniendo en cuenta la variabilidad de la anotación.

Principales métodos:

• Se curó un conjunto de datos de 90 exploraciones de TC con contraste del Hospital Universitario de Erlangen.
• Se segmentaron el páncreas, el hígado y los riñones con anotaciones de tres expertos independientes.
• El desafío CURVAS se centra en el desarrollo y la evaluación comparativa de algoritmos para la precisión de la segmentación, la calibración y la confiabilidad.

Principales resultados:

• El análisis cuantitativo reveló una fuerte consistencia en las segmentaciones de riñón e hígado.
• La segmentación del páncreas resultó ser un desafío, lo que resalta la necesidad de mejorar los protocolos de etiquetado.
• El conjunto de datos sirve como base para el desarrollo de algoritmos de segmentación robustos.

Conclusiones:

• Abordar la incertidumbre y la calibración es crucial para una segmentación de imágenes médicas confiable basada en el aprendizaje profundo.
• Son necesarias prácticas de anotación estandarizadas y estrategias de entrenamiento refinadas para estructuras desafiantes como el páncreas.
• El conjunto de datos CURVAS facilita los avances en la precisión de la segmentación, la calibración y la aplicabilidad clínica.