Deep Learning para automatizar el Elevador del Hiato desde una vista Pélvico Transperineal 2D
Introducción
El desorden o disfunción de piso pélvico es frecuente en mujeres posparto, aumentando su morbilidad y disminuyendo su calidad de vida. Esto genera un debilitamiento de los músculos elevadores que soportan los órganos pélvicos. El ultrasonido de piso pélvico transperineal es reconocido en la práctica clínica, sin embargo, es difícil obtener imágenes del hiato del elevador con la ecografía 2D convencional. En cambio, con las tecnologías 3D se adquiere la imagen estática para reconstruirse en un plano 2D. No obstante, esto produce una carga de trabajo tecnológica más grande y exige aproximaciones manuales para delimitar el hiato del elevador.
Con la aplicación de las inteligencias artificiales, se ha demostrado tener un trabajo eficiente en el flujo de datos para mejorar la adquisición de imágenes. Varios sistemas en Deep Learning y Machine Learning se optimizaron para delimitar el hiato del elevador de forma automática al plano C de las imágenes de ultrasonido. Este estudio presenta el desarrollo de tres algoritmos de Deep Learning, poniendo a prueba su rendimiento para automatizar el proceso y procesamiento de imagen.
Metodología
Se utilizaron dos bases de datos independientes que comprendieron las imágenes ultrasonográficas de mujeres postparto. Las imágenes se preprocesaron y fijaron a un tamaño estándar de 768*544 pixeles mediante Python, modificando su formato de imagen y escala de grises.
La evaluación métrica de las imágenes por los Algoritmos Deep Learning fueron cuatro:
- DSC para el grado de superposición
- Distancia Hausdorff (HDD) para evaluar la distancia máxima entre el contorno segmentado y el contorno verdadero del fondo.
- El error relativo de área segmentada.
- El error absoluto de área segmentada.
Resultados y discusión
Uno de los algoritmos estudiados superó al resto, con una media de 0,964 y 0,952 DSC en las bases de datos de prueba, lo que significa que tiene una gran solidez y generalización a otros casos.
Esta herramienta de automatización puede aplicarse a los escáneres de ultrasonido en prácticas clínicas, delimitando el contorno del hiato del elevador automatizado. Aquello hace posible el ahorro de tiempo en diagnósticos, permitiendo trabajar en tiempo real o estar en línea de postproceso en una estación de trabajo. También puede generalizarse a diferentes equipos de ultrasonidos y atenuar las discrepancias entre operadores. No obstante, presenta algunas limitaciones debido a que las pruebas se realizaron en un único dispositivo de trabajo y las bases de datos se recopilaron en el mismo hospital. Además, la segmentación automática se realizó en la representación de planos 2D. En un futuro se pueden explorar enfoques 3D que incorporen el análisis muscular, junto con el análisis de la dimensión del hiato del elevador.
Traducido y adaptado de: Huang, Z., Qu, E., Meng, Y., Zhang, M., Wei, Q., Bai, X. & Zhang, X. (2022). Deep learning-based pelvic levator hiatus segmentation from ultrasound images. European Journal of Radiology Open, 9, 100412. https://doi.org/10.1016/j.ejro.2022.100412
