FUGC: Evaluación comparativa de métodos de aprendizaje semisupervisado para la segmentación cervical

Área de la Ciencia:

• Imágenes Médicas
• Inteligencia Artificial
• Obstetricia y Ginecología

Sus antecedentes:

• La segmentación cervical precisa en ultrasonido transvaginal (TVS) es crucial para la evaluación del riesgo de parto prematuro espontáneo (PTB).
• Los métodos de aprendizaje supervisado se ven obstaculizados por la disponibilidad limitada de datos de ultrasonido cervical etiquetados.
• El desarrollo de modelos de IA robustos requiere puntos de referencia estandarizados para evaluar las técnicas de segmentación cervical.

Objetivo del estudio:

• Presentar el Fetal Ultrasound Grand Challenge (FUGC), el primer punto de referencia para el aprendizaje semisupervisado en la segmentación cervical.
• Proporcionar un conjunto de datos completo y un marco de evaluación para el análisis cervical basado en IA.
• Facilitar los avances en la evaluación del riesgo de PTB asistida por IA.

Principales métodos:

• Establecimiento del punto de referencia FUGC con 890 imágenes de TVS (500 de entrenamiento, 90 de validación, 300 de prueba).
• Evaluación de los métodos presentados utilizando el Coeficiente de Similitud de Dice (DSC), la Distancia de Hausdorff (HD) y el tiempo de ejecución (RT) con una puntuación ponderada (0,4/0,4/0,2).
• Diez equipos con 82 participantes desarrollaron y presentaron soluciones de aprendizaje semisupervisado.

Principales resultados:

• Los métodos con mejor rendimiento lograron un DSC medio del 90,26%, una HD media de 38,88 y un tiempo de ejecución (RT) medio de 32,85 ms.
• Demostró la eficacia de los enfoques semisupervisados en escenarios con datos etiquetados limitados.
• Destacó las soluciones innovadoras desarrolladas por los equipos participantes.

Conclusiones:

• FUGC proporciona un punto de referencia estandarizado para la investigación de la segmentación cervical.
• El aprendizaje semisupervisado muestra una promesa significativa para el análisis cervical en regímenes de pocos datos.
• El desafío sienta las bases para herramientas clínicas impulsadas por IA para la evaluación del riesgo de PTB.