El número de tomografías computarizadas realizadas y la capacidad de procesamiento de datos disponible han aumentado en los últimos años. Gracias a los avances en los enfoques de aprendizaje profundo, la capacidad de los algoritmos de análisis de imágenes se ha mejorado enormemente. Como resultado de las mejoras en el almacenamiento de datos, la velocidad de procesamiento y la calidad de los algoritmos, se han utilizado muestras más grandes en la investigación radiológica. La segmentación de estructuras anatómicas es crucial para muchas de estas investigaciones. La segmentación de imágenes radiológicas se puede utilizar para la extracción avanzada de biomarcadores, la detección automática de patologías y la cuantificación de la carga tumoral. La segmentación ya se utiliza en análisis clínicos comunes para fines como cirugía y planificación de radiación.
Existen modelos separados para segmentar órganos individuales (como el páncreas, el bazo, el colon o el pulmón) en imágenes de TC, y también se han realizado investigaciones sobre la combinación de datos de múltiples estructuras anatómicas en un solo modelo. Sin embargo, todos los modelos anteriores incluyen sólo un pequeño subconjunto de estructuras anatómicas esenciales y están entrenados en pequeños conjuntos de datos que no son representativos de las imágenes clínicas de rutina. La falta de accesibilidad a muchos modelos de segmentación y conjuntos de datos limita gravemente su utilidad para los investigadores. El acceso a conjuntos de datos disponibles públicamente a menudo requiere un largo papeleo o requiere el uso de proveedores de datos con los que es complicado trabajar o tienen un ritmo limitado.
Investigadores de la Clínica de Radiología y Medicina Nuclear del Hospital Universitario de Basilea utilizaron alrededor de 1204 conjuntos de datos de TC para crear un método para segmentar 104 entidades anatómicas. Adquirieron el conjunto de datos con escáneres CT, configuraciones de adquisición y fases de contraste. Su modelo, TotalSegmentator, puede segmentar la mayoría de las estructuras anatómicamente importantes del cuerpo con una mínima intervención del usuario, y lo hace de forma fiable en cualquier entorno clínico. La alta precisión (puntuación de Dice de 0,943) y la solidez de varios conjuntos de datos clínicos hacen que esta herramienta sea superior a otras disponibles gratuitamente en línea. El equipo también utilizó un enorme conjunto de datos de más de 4000 exámenes de TC para examinar e informar cambios de volumen y atenuación relacionados con la edad en varios órganos.
Los investigadores han puesto su modelo a disposición como un paquete Python previamente entrenado para que cualquiera pueda usarlo. Destacan que como su modelo utiliza menos de 12 GB de RAM y no necesita GPU, se puede ejecutar en cualquier ordenador estándar. Su conjunto de datos también es fácilmente accesible y no requiere permisos ni solicitudes especiales para descargarlo. La investigación actual utilizó un modelo basado en nnU-Net porque se ha demostrado que produce resultados confiables en diversas tareas. Actualmente se considera el estándar de oro para la segmentación de cuadros médicos, superando a la mayoría de los demás enfoques. El ajuste de hiperparámetros y la investigación de diferentes modelos, como transformadores, mejoran el rendimiento del estándar nnU-Net.
Como se menciona en su artículo, el modelo propuesto tiene varios usos posibles. Además de sus evidentes aplicaciones quirúrgicas, la segmentación de órganos rápida y fácilmente accesible permite la dosimetría individual, como se ha demostrado en el caso del hígado y los riñones. Además, la segmentación automatizada puede mejorar la investigación al proporcionar a los médicos parámetros normales o incluso dependientes de la edad (HU, volumen, etc.). Junto con un modelo de detección de lesiones, su modelo podría utilizarse para aproximar la carga tumoral en una parte del cuerpo determinada. Además, el modelo puede servir como base para desarrollar modelos diseñados para identificar diversas enfermedades.
El modelo ha sido descargado por más de 4.500 investigadores para su uso en diversos contextos. Sólo recientemente fue posible analizar conjuntos de datos de este tamaño, y requirió mucho tiempo y esfuerzo por parte de los científicos de datos. Este trabajo ha demostrado asociaciones entre la edad de 12 años y el volumen de numerosos órganos segmentados utilizando un conjunto de datos de más de 4.000 personas que se habían sometido a una tomografía computarizada de politraumatismos. Las cifras de la literatura común sobre el tamaño normal de los órganos y el crecimiento de los órganos dependiente de la edad generalmente se basan en tamaños de muestra de unos pocos cientos de personas.
El equipo destaca que los pacientes masculinos estaban sobrerrepresentados en los conjuntos de datos del estudio, lo que puede deberse a que, en promedio, más hombres que mujeres visitan los hospitales. Sin embargo, el equipo cree que su modelo puede ser un punto de partida para investigaciones más extensas de poblaciones radiológicas. Mencionan que los estudios futuros incluirán más estructuras anatómicas en su conjunto de datos y modelo. Además, están reclutando pacientes adicionales, ajustando posibles factores de confusión y realizando más análisis de correlación para realizar un estudio más completo sobre el envejecimiento.
Revisar la Papel y Proyecto. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides unirte. nuestro SubReddit de 33k+ ML, 41k+ comunidad de Facebook, Canal de discordia, y Boletín electrónicodonde compartimos las últimas noticias sobre investigaciones de IA, interesantes proyectos de IA y más.
Si te gusta nuestro trabajo, te encantará nuestra newsletter.
también estamos en Telegrama y WhatsApp.
Dhanshree Shenwai es ingeniero en informática y tiene una buena experiencia en empresas de tecnología financiera que cubren el ámbito financiero, tarjetas y pagos y banca con un gran interés en las aplicaciones de IA. Le entusiasma explorar nuevas tecnologías y avances en el mundo en evolución de hoy que facilita la vida de todos.