Modelul AI segmentează automat imaginile RMN, reducând volumul de muncă al radiologilor

Imagistica prin rezonanță magnetică (RM) este esențială în diagnosticul medical, oferind imagini detaliate fără utilizarea radiațiilor ionizante. Cu toate acestea, segmentarea manuală a acestor imagini este un proces consumator de timp și predispus la erori. Studiul publicat în Radiology prezintă TotalSegmentator MRI, un model de segmentare automată bazat pe arhitectura nnU-Net, un framework auto-configurabil, capabil să identifice multiple structuri anatomice în imagini RM, independent de secvența utilizată.
Segmentarea automată a imaginilor medicale a devenit o direcție promițătoare, reducând volumul de muncă al radiologilor și minimizând erorile umane. nnU-Net este un framework recunoscut pentru adaptabilitatea sa la noi seturi de date, optimizând automat arhitectura și strategiile de antrenare.

TotalSegmentator CT, un model similar pentru tomografie computerizată, a demonstrat deja eficiență ridicată în segmentarea imaginilor CT, fiind deja utilizat de peste 300.000 de utilizatori și procesând zilnic peste 100.000 de imagini CT. Însă aplicarea acestui tip de model pe RM a fost limitată de variabilitatea parametrilor de achiziție și de contrastul redus al unor structuri patologice.

Despre studiul actual

Pentru a dezvolta TotalSegmentator MRI, autorii au folosit un set extins de date retrospective, incluzând:

• 561 imagini RM prelevate din arhiva spitalului Universitar din Basel (2011-2023).
• 116 imagini RM din National Cancer Institute Imaging Data Commons.
• 527 imagini CT din setul de antrenament TotalSegmentator CT.

Au fost excluse imaginile cu artefacte majore, cele cu secțiuni lipsă sau pacienții cu vârsta sub 18 ani sau peste 100 de ani. Modelul final a fost antrenat folosind arhitectura nnU-Net cu o rezoluție izotropă de 1,5 mm și a fost comparat cu modele existente, precum MRSegmentator și AMOS.

Rezultate

Performanța modelului a fost evaluată folosind coeficientul Dice, care măsoară similitudinea dintre segmentările generate de model și cele realizate de radiologi și distanța normalizată de suprafață (NSD), obținând:

• Dice score de 0,839 pentru toate cele 80 de structuri segmentate.
• Dice score de 0,862 pentru cele mai importante 50 de structuri.
• NSD de 0,907 pentru toate structurile și 0,941 pentru cele mai importante 50.

Comparativ cu MRSegmentator, TotalSegmentator MRI a avut performanțe superioare (Dice 0,862 vs. 0,759, NSD 0,932 vs. 0,833). Pe testele externe (AMOS și CHAOS), modelul a depășit performanțele alternative disponibile, demonstrând robustețe crescută.

Concluzii

TotalSegmentator MRI este un model robust, open-source, capabil să segmenteze 80 de structuri anatomice din imagini RM, independent de secvență. Modelul a fost antrenat pe un set diversificat de date și a demonstrat superioritate față de modelele existente, putând fi integrat ușor în fluxurile clinice. Disponibilitatea acestuia în format open-source permite utilizarea sa în cercetare și diagnostic clinic, având potențial de îmbunătățire continuă prin extinderea setului de date și includerea unor structuri suplimentare.