Video Experimental Relacionado
Updated: May 5, 2026
09:30
Quantitative Magnetic Resonance Imaging of Skeletal Muscle Disease
Published on: December 18, 2016
20.2K
Optimización de flujos de trabajo de anotación de RM para la segmentación de músculos del muslo de alta precisión
Alexis B Slutsky-Ganesh1,2,3,4, Salomé Baup5, Upasana U Bharadwaj1,2,3
1Emory Sports Performance And Research Center (SPARC), Flowery Branch, GA, 30542, United States.
Radiology advances
|February 16, 2026
Resumen
Veinte exploraciones de RM de extremidades inferiores anotadas son suficientes para entrenar modelos de aprendizaje profundo para la segmentación precisa de músculos del muslo. Este hallazgo agiliza el análisis cuantitativo de RM para atletas en la atención clínica y la investigación.
Área de la Ciencia:
- Imagenología Médica; Inteligencia Artificial; Imagenología Musculoesquelética
Sus antecedentes:
- La segmentación precisa de los músculos del muslo en RM es crucial para evaluar la salud muscular.; La segmentación manual es lenta y variable, mientras que los métodos automatizados tienen limitaciones.; La definición de los requisitos de datos para una segmentación automatizada robusta es una necesidad crítica insatisfecha.
Objetivo del estudio:
- Determinar el número de estudios de RM de extremidades inferiores anotados necesarios para una segmentación precisa de los músculos del muslo mediante aprendizaje profundo (DL).; Evaluar el impacto del tamaño del conjunto de datos de entrenamiento en la concordancia de las medidas cuantitativas de RM posteriores.
Principales métodos:
- Se generaron segmentaciones manuales de referencia (SegM) para 14 músculos del muslo a partir de imágenes de RM de extremidades inferiores.; Se entrenaron 13 modelos de aprendizaje profundo (nnU-Net) con datos de entrenamiento crecientes (Ntrain = 5 a 120).; Se evaluó la segmentación automatizada (SegA) utilizando métricas geométricas y se compararon las medidas cuantitativas de RM (fracción de grasa, imagen por tensor de difusión) con las segmentaciones manuales.
Principales resultados:
- El entrenamiento del modelo de aprendizaje profundo con 20 sujetos anotados logró una alta precisión (DSC 0.94 ± 0.02).; El rendimiento mostró una mejora modesta con 50 sujetos de entrenamiento.; Las medidas cuantitativas derivadas de la segmentación automatizada concordaron bien con las segmentaciones manuales.
Conclusiones:
- Veinte imágenes de RM anotadas son suficientes para un rendimiento de segmentación de músculos del muslo clínicamente aceptable.; Este hallazgo apoya la optimización de la segmentación y la presentación de informes cuantitativos en la atención e investigación de atletas.; Los requisitos de datos optimizados facilitan la escalabilidad del análisis automatizado de RM.
