Segmentación ósea multiclase automatizada mediante aprendizaje profundo: implicaciones para la planificación en el...

Área de la Ciencia:

• Cirugía Ortopédica
• Imagen Médica
• Inteligencia Artificial

Sus antecedentes:

• La plantilla 3D preoperatoria mejora la precisión quirúrgica en la artroplastia de cabeza radial (RHA).
• Los métodos de segmentación actuales consumen mucho tiempo y son variables.
• La automatización de la segmentación es crucial para una planificación eficiente de la RHA.

Objetivo del estudio:

• Entrenar y validar un modelo de aprendizaje profundo nnU-Net para la segmentación ósea multiclase automatizada.
• Evaluar la precisión y eficiencia del modelo nnU-Net para la plantilla de RHA.
• Apoyar la plantilla ósea 3D en RHA mediante una segmentación precisa.

Principales métodos:

• Se entrenó y evaluó un modelo nnU-Net en 93 TC de extremidades superiores.
• Se utilizó el coeficiente de similitud de Dice (DSC) y la distancia de Hausdorff para la evaluación de la precisión.
• Se compararon modelos óseos 3D utilizando la distancia de superficie media (MSD) y el error cuadrático medio (RMSE).

Principales resultados:

• nnU-Net logró una alta precisión de segmentación (DSC: 0.95-0.99) para el húmero, el cúbito y el radio.
• La distancia de superficie media (MSD) y el error cuadrático medio (RMSE) fueron consistentemente bajos (<0.2 mm).
• El tiempo de segmentación se redujo de 78 min (manual) a 3 min por escaneo con nnU-Net.

Conclusiones:

• El modelo nnU-Net ofrece una solución rápida y fiable para la segmentación ósea en RHA.
• Se logró una alta precisión para regiones óseas corticales y no corticales, satisfaciendo las necesidades clínicas.
• Demuestra viabilidad clínica para mejorar la eficiencia y la precisión en la planificación preoperatoria de RHA.