Segmentación automática de linfedema en RM T2-STIR mediante un método de agrupación no supervisado

Área de la Ciencia:

• Imagenología Médica
• Inteligencia Artificial
• Análisis Cuantitativo

Sus antecedentes:

• La evaluación del linfedema y el lipoedema a menudo se basa en la interpretación subjetiva de las imágenes.
• La cuantificación precisa del volumen y la distribución del edema es crucial para un manejo eficaz.

Objetivo del estudio:

• Desarrollar y validar un método de IA no supervisado para la segmentación automatizada de líquidos en RM T2-STIR.
• Evaluar cuantitativamente el edema en pacientes con linfedema y lipoedema.

Principales métodos:

• Análisis retrospectivo de 20 pacientes con linfedema o lipoedema.
• Algoritmo de agrupación K-means para la segmentación de imágenes, optimizado mediante el coeficiente de similitud de Dice.
• Aprendizaje por transferencia aplicado a un conjunto de prueba para la evaluación del rendimiento y el análisis 3D.

Principales resultados:

• El modelo de IA logró un coeficiente de similitud de Dice de al menos 0.8 en el conjunto de entrenamiento.
• El modelo demostró una buena concordancia con la segmentación manual en el conjunto de prueba (puntuación de Dice 0.74 ± 0.05).
• Las visualizaciones incluyeron mapas de color y gráficos de líneas apiladas para la distribución del edema y el seguimiento longitudinal.

Conclusiones:

• El método de IA no supervisado muestra potencial para la segmentación y cuantificación automatizada y objetiva del edema en RM T2-STIR.
• Este enfoque puede ayudar en el diagnóstico, la estadificación y el seguimiento del tratamiento del linfedema y el lipoedema.