Video Experimental Relacionado
Updated: May 12, 2026
Human Brown Adipose Tissue Depots Automatically Segmented by Positron Emission Tomography/Computed Tomography and Registered Magnetic Resonance Images
Published on: February 18, 2015
Aprendizaje federado entre cohortes para la segmentación y cuantificación del tejido adiposo abdominal pediátrico
Wenwen Zhang1,2, Sevgi Gokce Kafali1,3, Timothy Adamos4
1Department of Radiological Sciences, David Geffen School of Medicine, University of California Los Angeles, Los Angeles, CA, 90095, United States.
El aprendizaje federado segmenta con precisión el tejido adiposo visceral y subcutáneo pediátrico (VAT, SAT) utilizando RM, mejorando la evaluación del riesgo de enfermedades metabólicas. Este método rápido aprovecha datos de adultos sin compartirlos, mejorando el análisis de imágenes pediátricas.
Área de la Ciencia:
- Imagenología Médica
- Inteligencia Artificial
- Salud Pediátrica
Sus antecedentes:
- La cuantificación del tejido adiposo abdominal pediátrico (visceral y subcutáneo) mediante RM ayuda a la evaluación del riesgo de enfermedades metabólicas.
- La segmentación automatizada del tejido adiposo visceral (VAT) pediátrico es un desafío debido a su compleja estructura y a los limitados conjuntos de datos de RM.
Objetivo del estudio:
- Desarrollar un marco de aprendizaje federado (FL) entre cohortes para permitir la segmentación automatizada precisa y rápida del VAT y SAT abdominal pediátrico.
- Utilizar conjuntos de datos de RM de adultos para mejorar el rendimiento de los modelos de segmentación pediátrica.
Principales métodos:
- Se entrenaron modelos de redes neuronales 3D con conjuntos de datos de RM 3D de Dixon (FB) pediátricos y de adultos mediante un enfoque de aprendizaje federado.
- Se evaluó el rendimiento de la segmentación utilizando puntuaciones de Dice y se compararon los modelos FL con los métodos de entrenamiento independiente y conjunto.
- Se evaluó la cuantificación del volumen de VAT y SAT y la fracción de protones de grasa (PDFF) utilizando coeficientes de correlación intraclase (ICC) y análisis de Bland-Altman.
Principales resultados:
- El modelo FL logró una alta precisión de segmentación (VAT: 91,09%, SAT: 95,55%), superando al entrenamiento independiente y igualando el rendimiento del entrenamiento conjunto.
- La cuantificación del volumen mostró una fuerte concordancia (VAT: ICC=0,99, SAT: ICC=1,00) entre los métodos FL y de referencia.
- El tiempo de inferencia para la segmentación fue inferior a 3 segundos por sujeto, lo que demuestra capacidades de análisis rápidas.
Conclusiones:
- El marco de aprendizaje federado permite la segmentación automatizada precisa y rápida del VAT y SAT abdominal pediátrico en RM 3D FB.
- Este enfoque aprovecha eficazmente los conjuntos de datos de adultos más grandes para mejorar el análisis de imágenes pediátricas sin comprometer la privacidad de los datos.
- El método es prometedor para mejorar la evaluación del riesgo de enfermedades metabólicas en niños a través de una mejor cuantificación del tejido adiposo.
