Generación de Datos de Entrenamiento para la Segmentación Ureteral Mediante Descomposición de Dos Materiales en TC de Doble Energía | JoVE Visualize

Área de la Ciencia:

Imágenes Médicas
Inteligencia Artificial en Radiología
Imágenes Urológicas

Sus antecedentes:

La segmentación ureteral precisa es crucial para diagnosticar y tratar diversas afecciones urológicas.
Los modelos de aprendizaje profundo requieren conjuntos de datos grandes y de alta calidad para un entrenamiento eficaz.
La generación de máscaras de segmentación para los uréteres, especialmente en TC sin contraste, presenta desafíos.

Objetivo del estudio:

Evaluar la viabilidad de utilizar la descomposición de dos materiales basada en TC de doble energía (DECT) para crear datos de entrenamiento para la segmentación ureteral.
Desarrollar y evaluar un modelo de aprendizaje profundo para la segmentación ureteral utilizando imágenes virtuales sin contraste (VUE) derivadas de DECT.

Principales métodos:

Estudio retrospectivo que involucró a 180 pacientes sometidos a urografía por TC de doble energía.
Se sintetizaron imágenes virtuales sin contraste (VUE) a partir de imágenes de TC de doble energía en fase excretora tardía (LEP) mediante descomposición de dos materiales.
Se generaron máscaras de segmentación de referencia en imágenes LEP y se emparejaron con imágenes VUE para formar conjuntos de datos de entrenamiento.
Se entrenó y validó un modelo de aprendizaje profundo (marco nnU-Net) en conjuntos de datos internos y externos.

Principales resultados:

El conjunto de datos de prueba interno logró un alto rendimiento: coeficiente Dice mediano de 0.89, precisión de 0.90 y recuperación de 0.88.
La validación externa demostró un rendimiento limitado: coeficiente Dice mediano de 0.43 y recuperación de 0.28, con alta precisión (0.95).
Se observaron diferencias estadísticamente significativas (P < 0.01) en todas las métricas entre los conjuntos de datos de validación internos y externos.

Conclusiones:

La descomposición de dos materiales basada en DECT es un método viable para generar datos de entrenamiento para la segmentación ureteral.
El enfoque muestra potencial para la segmentación ureteral en TC sin contraste, a pesar de las limitaciones en la validación externa.
Se necesita más investigación y validación multicéntrica para mejorar la generalización y la aplicabilidad clínica.