Volumetría totalmente automatizada de subregiones ventriculares en tomografía computarizada mediante detección de...

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• Neurociencia

Sus antecedentes:

• El manejo de la hidrocefalia a menudo requiere el monitoreo del volumen ventricular.
• La segmentación precisa de las subregiones ventriculares es crucial para el análisis cuantitativo.
• La segmentación manual consume mucho tiempo y es propensa a la variabilidad interobservador.

Objetivo del estudio:

• Desarrollar y validar modelos de aprendizaje automático para la identificación y segmentación automatizadas de los ventrículos cerebrales y sus subregiones.
• Evaluar el rendimiento de los modelos de detección de objetos y segmentación en datos de tomografía computarizada (TC).
• Permitir la volumetría precisa de las estructuras ventriculares para la evaluación clínica.

Principales métodos:

• Se utilizaron escaneos de tomografía computarizada (TC) de dos centros para el desarrollo de modelos y la validación externa.
• Se entrenó un algoritmo de detección de objetos (YOLOv5) para el recorte preciso de las subregiones ventriculares.
• Se empleó una U-Net 2D y una nnU-Net para la segmentación, evaluando el rendimiento utilizando la puntuación Dice, el índice Jaccard y la distancia de Hausdorff.

Principales resultados:

• Se lograron métricas de alto rendimiento para la detección de objetos (mAP50: 0.728, mAP50-95: 0.453 internamente).
• Se demostró una excelente precisión de segmentación, con la mejor puntuación Dice media de 0.92 para el cuerpo del ventrículo lateral izquierdo.
• La validación externa mostró resultados prometedores, lo que indica la generalización de los modelos.

Conclusiones:

• La segmentación totalmente automática de los ventrículos cerebrales y sus subregiones es factible utilizando aprendizaje automático en imágenes de TC.
• Los modelos desarrollados ofrecen alta precisión, lo que podría mejorar la evaluación clínica de los cambios en el volumen ventricular.
• Este enfoque automatizado puede ayudar en la evaluación clínica de alteraciones sutiles en el volumen ventricular.