MICCAI STS 2024 challenge: Segmentación semisúpervisada a nivel de instancia de dientes en imágenes panorámicas de...

Área de la Ciencia:

• Análisis de imágenes médicas
• Imagenología dental
• Inteligencia artificial en la atención médica

Sus antecedentes:

• La segmentación automatizada de dientes en imágenes dentales (ortopantomogramas - OPG, tomografía computarizada de haz cónico - CBCT) es crucial para el diagnóstico.
• La anotación manual a nivel de instancia para crear grandes conjuntos de datos requiere mucha mano de obra, lo que genera escasez de datos.
• El aprendizaje semisúpervisado (SSL) presenta una solución prometedora para abordar las limitaciones de datos en la segmentación de imágenes médicas.

Objetivo del estudio:

• Evaluar y avanzar en los métodos de aprendizaje semisúpervisado (SSL) para la segmentación de dientes a nivel de instancia en imágenes dentales.
• Organizar el segundo desafío de segmentación de dientes semisúpervisada (STS 2024) para fomentar la investigación y el desarrollo en esta área.
• Proporcionar un conjunto de datos a gran escala, disponible públicamente, de imágenes OPG y CBCT con anotaciones a nivel de instancia.

Principales métodos:

• Se organizó el desafío STS 2024, proporcionando un conjunto de datos de más de 90.000 imágenes 2D OPG y 3D CBCT con anotaciones.
• Se evaluaron envíos válidos de SSL basados en aprendizaje profundo y de código abierto de los equipos participantes.
• Se utilizaron marcos semisúpervisados híbridos que combinan modelos fundamentales (por ejemplo, SAM) con canalizaciones de refinamiento multietapa.

Principales resultados:

• El desafío STS 2024 atrajo a 114 (OPG) y 106 (CBCT) equipos registrados.
• Los modelos SSL ganadores superaron significativamente una línea de base nnU-Net totalmente supervisada.
• Los métodos principales lograron mejoras sustanciales: >44 puntos porcentuales en la afinidad de instancia (IA) para OPG y 61 puntos porcentuales en el dado de instancia para CBCT.

Conclusiones:

• El aprendizaje semisúpervisado es muy eficaz para tareas complejas de segmentación de imágenes médicas a nivel de instancia con datos etiquetados limitados.
• Los enfoques SSL híbridos que aprovechan modelos fundamentales y canalizaciones de refinamiento multietapa muestran la mayor promesa.
• El conjunto de datos del desafío y el código enviado están disponibles públicamente en GitHub, lo que promueve la transparencia y la reproducibilidad en la investigación de IA dental.