Segmentación del hígado a partir de imágenes de tomografía computarizada utilizando aprendizaje profundo
Introducción
La tomografía computarizada es una técnica de adquisición de imagen comúnmente utilizada para detectar distintos tipos de cáncer. El cáncer de hígado es la segunda causa más común de mortalidad relacionada con esta enfermedad. Asimismo, se trata del séptimo tipo de cáncer más frecuente en todo el mundo (Araújo et al., 2022). Este suele asistirse con radioterapia lo que implica ciertos factores dependientes de cada paciente para calcular la cantidad de radiación a la que será sometido. Una de las consideraciones más importantes para estos cálculos es la segmentación anatómica para identificar y separar el área del hígado de las lesiones causadas por el cáncer.
La segmentación manual depende de la experiencia de los especialistas de salud y las imágenes generadas. Esto, ya que pueden presentar apariencias que difieren entre sí debido al cambio de iluminación, nitidez y presencia de lesiones cambiando las densidades y la forma del hígado. Además, resulta en una tarea compleja al presentarse una diversa cantidad de estudios. Ante dichas consideraciones, la segmentación manual no se considera como una opción muy viable. Por ende, los autores de esta investigación proponen la implementación de un proceso de segmentación automatizado.
Método propuesto
La metodología general establecida por los investigadores puede ser observada en la Figura 1.
En el gráfico presentado se pueden identificar 4 partes:
- Pre-procesamiento para mejorar la calidad de las imágenes de tomografía.
- Uso de dos redes neuronales convolucionales del tipo U-Net con enfoque en cascada para la identificación de segmentos.
- Red neuronal convolucional del tipo U-Net de reconstrucción para identificación de lesiones del hígado.
- Técnicas de post-procesamiento para mejorar y refinar la segmentación.
Figura 1. Link de la figura 1
Pasos involucrados en la metodología propuesta.
Resultados
Este estudio resulta en una técnica innovadora del manejo del tipo de imágenes de tomografía. Esto se debe a que presenta por primera vez la combinación de técnicas de redes convolucionales tipo U-Net en cascada y una posterior red convolucional del mismo tipo para disminuir el porcentaje de falsos positivos. Los investigadores lograron obtener una sensibilidad del 95.45%, una especificidad del 99.86%, un coeficiente de similitud del 95.64%, un error de superposición volumétrica del 8.28% y una diferencia de volumen relativo medio de -0.41%.
Conclusión
La combinación de ciertas técnicas en el aprendizaje profundo es una herramienta útil y en constante avance debido a la mejora de algoritmos y sistemas en el área de medicina. En este estudio se puede apreciar la utilidad de dicha combinación en varios aspectos. Primeramente, en el enfoque en cascada de la segmentación inicial, ya que proporcionó mejores resultados al disminuir los errores de segmentación. También permitió la delimitación de regiones de interés y la determinación con precisión de los contornos para la mayoría de los hígados sanos o ligeramente afectados por lesiones. Por otro lado, la fase de reconstrucción permitió recuperar parte de las regiones del hígado afectadas por lesiones no segmentadas previamente. Por último, por la fase de segmentación, que redujo el número de falsos positivos y rellenó agujeros. Todo ello fue fundamental para conseguir un valor alto de sensibilidad en este estudio.
Los resultados de esta investigación se consideran favorables, sin embargo, existen algunas limitaciones que se tienen que explorar y continuar con la corrección y mejora de parámetros para su aplicación médica, en conjunto con la implementación de herramientas que den mayor realce de las características de las imágenes en búsqueda de una alta precisión y un rango de error mínimo.
Traducido y adaptado de: Araújo, J. D. L., da Cruz, L. B., Diniz, J. O. B., Ferreira, J. L., Silva, A. C., de Paiva, A. C. & Gattass, M. (2022, enero). Liver segmentation from computed tomography images using cascade deep learning. Computers in Biology and Medicine, 140, 105095. https://doi.org/10.1016/j.compbiomed.2021.105095
