Aprendizaje de anatomía a partir de volúmenes de TC sin etiquetar: un marco de autogestión para mejorar la...

Área de la Ciencia:

• Imágenes Médicas
• Radioterapia
• Inteligencia Artificial en Medicina

Sus antecedentes:

• La segmentación precisa de estructuras basada en TC es vital para la radioterapia del cáncer de próstata.
• El contorneado manual de órganos como la próstata, las vesículas seminales (SV) y el bulbo del pene (PB) es lento y variable.
• Los modelos de aprendizaje profundo requieren grandes conjuntos de datos etiquetados, que a menudo escasean en la práctica clínica.

Objetivo del estudio:

• Evaluar si el preentrenamiento autosupervisado (sin etiquetas) de predicción de cortes puede mejorar el rendimiento de la segmentación, particularmente con datos anotados limitados.
• Evaluar el impacto del preentrenamiento autosupervisado en la precisión de la segmentación de estructuras pélvicas en imágenes de TC.

Principales métodos:

• Se utilizaron 322 volúmenes de TC pélvica para entrenamiento y prueba.
• Se preentrenó un codificador U-Net 2D ligero con datos sin etiquetar utilizando una tarea de predicción de cortes.
• Se ajustó finamente el modelo para la segmentación multiclase utilizando conjuntos de datos etiquetados completos o reducidos (60 pacientes).
• Se evaluó la precisión de la segmentación utilizando la Distancia Media de Acuerdo (MDA) y el Coeficiente de Similitud de Dice (DSC).

Principales resultados:

• El preentrenamiento autosupervisado redujo consistentemente el MDA en las principales estructuras pélvicas.
• Se observaron reducciones significativas del MDA para la vejiga (0,600 mm a 0,547 mm), la próstata (1,281 mm a 1,183 mm) y las SV (1,175 mm a 0,893 mm).
• Se observaron mejoras incluso con datos anotados limitados (60 pacientes).

Conclusiones:

• El preentrenamiento autosupervisado mediante predicción de cortes facilita el aprendizaje de características informadas anatómicamente.
• Este enfoque mejora la robustez y la precisión de la segmentación en condiciones de datos limitados.
• El método no requiere etiquetas durante el preentrenamiento y es compatible con arquitecturas ligeras, lo que lo hace adecuado para entornos con recursos limitados.