Segmentación de Tomografía Computarizada por Aprendizaje Automático de Código Abierto para el Diagnóstico de...

Área de la Ciencia:

• Radiología
• Imágenes Médicas
• Investigación de Osteoporosis

Sus antecedentes:

• La DXA es el estándar para la evaluación de la DMO, pero tiene limitaciones.
• Las unidades Hounsfield (UH) de las TC ofrecen una alternativa potencial para la estratificación del riesgo de osteoporosis.
• El aprendizaje automático (ML) puede segmentar la anatomía de TC y derivar métricas de DMO.

Objetivo del estudio:

• Evaluar una plataforma automatizada de segmentación por TC.
• Investigar la relación entre las UH vertebrales y la DMO basada en DXA.
• Evaluar la densidad de UH derivada de TC para la estratificación del riesgo de osteoporosis.

Principales métodos:

• Análisis retrospectivo de 229 pacientes con TC lumbar y DXA concurrentes.
• Se utilizó el modelo de ML TotalSegmentator para la segmentación de la columna lumbar.
• Se calculó la densidad de UH del cuerpo vertebral, el hueso trabecular y el hueso cortical y se comparó con las puntuaciones T de DXA.

Principales resultados:

• Las UH medias de L1-L5 se correlacionaron significativamente con las puntuaciones T de DXA para el cuello femoral, la columna lumbar y la cadera.
• Las personas sanas presentaron UH vertebrales más altas en comparación con las personas con osteopenia.
• Las UH derivadas de TC predijeron la baja DMO y la osteoporosis, identificándose valores umbral óptimos.

Conclusiones:

• La segmentación de TC impulsada por ML proporciona una evaluación robusta y consistente de la densidad ósea vertebral.
• Las unidades Hounsfield vertebrales se correlacionan bien con las mediciones de DMO de DXA.
• El análisis automatizado de TC ofrece un método eficiente para la estratificación del riesgo de osteoporosis.