Métodos de referencia para la segmentación de hiperintensidades de la sustancia blanca fallan en RM clínicas...

Área de la Ciencia:

• Imagenología Médica
• Inteligencia Artificial en Medicina
• Neuroimagenología

Sus antecedentes:

• Los métodos automatizados de segmentación de hiperintensidades de la sustancia blanca (HSB) tienen dificultades para generalizar en datos de RM clínicos heterogéneos.
• La variabilidad en escáneres, intensidades de campo y protocolos afecta significativamente la precisión de la segmentación.

Objetivo del estudio:

• Desarrollar y evaluar modelos robustos de aprendizaje profundo para la segmentación de HSB utilizando un conjunto de datos clínicos diverso.
• Comparar el rendimiento de un modelo nnU-Net estándar y un modelo fundacional ajustado (MedSAM) para la segmentación de HSB.

Principales métodos:

• Se curó un conjunto de datos diverso de 195 exploraciones de RM cerebrales de rutina de 71 escáneres, con anotaciones manuales de HSB.
• Se desarrollaron dos modelos: Robust-WMH-UNet (nnU-Net entrenado) y Robust-WMH-SAM (MedSAM ajustado).
• Se comparó el rendimiento con métodos de segmentación existentes utilizando métricas como el Coeficiente de Similitud de Dice (DSC).

Principales resultados:

• Los métodos de referencia mostraron una mala generalización, omitiendo lesiones pequeñas y generando falsos positivos.
• Robust-WMH-UNet logró un DSC mediano superior de 0.768 con especificidad mejorada.
• Robust-WMH-SAM demostró un rendimiento competitivo (DSC mediano de hasta 0.750) con un entrenamiento rápido.

Conclusiones:

• El conjunto de datos representativo clínicamente desarrollado es crucial para avanzar en algoritmos robustos de segmentación de HSB.
• Tanto Robust-WMH-UNet como Robust-WMH-SAM muestran potencial para una segmentación confiable de HSB en la práctica clínica.
• Estos hallazgos respaldan la traslación de modelos de segmentación avanzados a los flujos de trabajo clínicos de rutina.