Segmentación del nervio cubital en imágenes de ultrasonido basada en aprendizaje profundo

Área de la Ciencia:

• Imágenes Médicas
• Inteligencia Artificial
• Neurología

Sus antecedentes:

• La detección precisa del nervio cubital (NC) en imágenes de ultrasonido (US) es crucial para el diagnóstico clínico.
• Los métodos de segmentación de aprendizaje profundo (DL) muestran una gran promesa para la detección automatizada del NC.
• Ahora está disponible un conjunto de datos de US a gran escala para la segmentación del NC.

Objetivo del estudio:

• Evaluar modelos de segmentación basados en aprendizaje profundo para la detección del NC en imágenes de US.
• Comparar el rendimiento de varios modelos de segmentación y técnicas de mejora de datos.
• Identificar estrategias óptimas para la segmentación del NC utilizando DL.

Principales métodos:

• Se utilizó un gran conjunto de datos de 4789 imágenes de US de 545 pacientes con segmentaciones de NC anotadas por expertos.
• Se compararon seis modelos de segmentación con diferentes arquitecturas de backbone.
• Se analizó la significancia estadística de cinco técnicas de mejora de datos (volteo, rotación, cizallamiento, contraste/brillo, redimensionamiento).

Principales resultados:

• Las mejoras de cizallamiento, rotación y cambio de tamaño mejoraron significativamente el rendimiento de la segmentación (p < 0,05).
• Los modelos U-Net tradicionales lograron resultados competitivos (puntuación Dice: 0,88, IoU: 0,81).
• Las arquitecturas más nuevas no superaron a los modelos U-Net tradicionales para esta tarea.

Conclusiones:

• El análisis sistemático proporciona información sobre la optimización de DL para la segmentación del NC.
• La mejora de datos es fundamental para mejorar la precisión de la segmentación de nervios basada en US.
• U-Net sigue siendo una base sólida para las tareas de segmentación de nervios en US.