Segmentación automática basada en aprendizaje profundo de puntos críticos de metástasis en imágenes SPECT de hueso del tórax

Introducción

Una gran variedad de tumores malignos, incluidos el cáncer de mama y de próstata, tienen aparición muy frecuente en los huesos. En las exploraciones SPECT óseas, las lesiones aparecen como puntos con rangos de valor altos, ya que son regiones de radiactividad elevada. Según los autores de esta investigación, por la baja resolución espacial y señal-ruido, y las características de bajo contraste de las imágenes, la segmentación de regiones óseas aún se encuentra en etapas iniciales. Por ende, proponen un modelo de segmentación que defina automáticamente el perímetro de puntos críticos en imágenes de SPECT óseas en el área del tórax.

Métodos

Se realizaron estudios de imágenes SPECT óseas a 76 pacientes que fueron diagnosticados con metástasis. Todas las imágenes se almacenaron en archivos DICOM. En la Figura 1 se muestra un diagrama con parte del procesamiento de imágenes para eliminar ruido y reducirlas en tamaño. El objetivo de esto fue para trabajar con una región de interés.

Figura 1.

Diagrama que muestra el proceso para recortar una imagen SPECT ósea de tórax a 256 x 256.

A continuación, se aplicaron etiquetas a las imágenes con ayuda de tres especialistas para entrenar al sistema. Finalmente, se utilizaron modelos de segmentación profunda basados en redes neuronales del tipo U-Net y K-means.

Resultados

En la Figura 2 se puede observar la segmentación obtenida por los sistemas de clasificación basados en redes neuronales. En esta situación se alcanzaron valores altos para casos que el programa determinó como lesión cuando no lo hay. Esto se puede deber a ineficiencias en el sistema de procesamiento de imágenes ya que se detectan áreas con mucha iluminación. Por lo cual, el sistema lo interpreta como áreas con mayor densidad a la normal.

Figura 2.

Comparación de resultados de segmentación, K-means (verde), U-Net (azul) y etiquetas manuales (morado).

Conclusión y discusión

Se observó que el modelo U-Net identificó casi completamente todas las secciones de interés y fue el más acertado en la búsqueda de similitud entre píxeles. Con este estudio se destaca la importancia de una correcta implementación de algoritmos de corrección de imágenes. Esto, para resaltar áreas importantes que proporcionen información relevante al llevar a cabo un entrenamiento de sistemas basados en redes neuronales. De esta forma se puede clasificar con la mayor precisión posible y dar una evaluación fiable, en este caso de la metástasis de SPECT ósea del tórax.

Los autores mencionan que planean reforzar los sistemas implementados para reducir el valor alto de falsos positivos y así obtener una implementación más eficiente para ser aplicados en el sector salud. Traducido y adaptado de: Lin, Q., Luo, M., Gao, R., Li, T., Man, Z., Cao, Y. & Wang, H. (2020b). Deep learning based automatic segmentation of metastasis hotspots in thorax bone SPECT images. PLOS ONE, 15(12), e0243253. https://doi.org/10.1371/journal.pone.0243253