Un marco multidimensional que incorpora U-Net 2D y U-Net de atención 3D para la segmentación de órganos a partir de imágenes de tomografía por emisión de positrones con fluorodesoxiglucosa en 3D
Autores: Vezakis, Andreas; Vezakis, Ioannis; Vagenas, Theodoros P.; Kakkos, Ioannis; Matsopoulos, George K.
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Un marco multidimensional que incorpora U-Net 2D y U-Net de atención 3D para la segmentación de órganos a partir de imágenes de tomografía por emisión de positrones con fluorodesoxiglucosa en 3D
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Análisis
FDG-PET
órganos
Captación
Segmentación
Conjunto
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 38
Citaciones: Sin citaciones
Un análisis preciso de las imágenes de Tomografía por Emisión de Positrones (PET) con Fluorodesoxiglucosa (FDG) es crucial para el diagnóstico, evaluación del tratamiento y monitoreo de pacientes que sufren de varios tipos de cáncer. FDG-PET proporciona información valiosa al revelar regiones donde la FDG, un análogo de la glucosa, se acumula en el cuerpo. Mientras que las regiones con alta captación de FDG incluyen lesiones tumorales sospechosas, la FDG también se acumula en regiones y órganos no específicos del tumor. Identificar estas regiones es crucial para excluirlas de ciertas mediciones, o calcular parámetros útiles, por ejemplo, el valor estandarizado medio de captación (SUV) para evaluar la actividad metabólica del hígado. La delineación manual de órganos en FDG-PET por parte de los médicos requiere un esfuerzo y tiempo significativos, lo cual a menudo no es factible en flujos de trabajo clínicos reales con una alta carga de pacientes. Por esta razón, este estudio se centra en identificar automáticamente órganos clave con alta captación de FDG, a saber, el cerebro, el ventrículo cardíaco izquierdo, los riñones, el hígado y la vejiga. Con este fin, se adopta un enfoque de conjunto, donde se emplea una Red de Atención U-Net tridimensional (3D AU-Net) para un análisis tridimensional robusto, mientras que se utiliza una U-Net bidimensional (2D U-Net) para el análisis en el plano coronal. El 3D AU-Net muestra segmentaciones de órganos altamente detalladas, pero también incluye muchas regiones falsas positivas. En contraste, la 2D U-Net logra una mayor fiabilidad con un mínimo de regiones falsas positivas, pero carece de los detalles tridimensionales. Los experimentos realizados en un subconjunto del conjunto de datos AutoPET público con 60 exploraciones PET demuestran que el modelo de conjunto propuesto logra una alta precisión en la segmentación de los órganos requeridos, superando las técnicas actuales más avanzadas y respaldando la posible utilización de la metodología propuesta para acelerar y mejorar el flujo de trabajo clínico de pacientes con cáncer.
Descripción
Un análisis preciso de las imágenes de Tomografía por Emisión de Positrones (PET) con Fluorodesoxiglucosa (FDG) es crucial para el diagnóstico, evaluación del tratamiento y monitoreo de pacientes que sufren de varios tipos de cáncer. FDG-PET proporciona información valiosa al revelar regiones donde la FDG, un análogo de la glucosa, se acumula en el cuerpo. Mientras que las regiones con alta captación de FDG incluyen lesiones tumorales sospechosas, la FDG también se acumula en regiones y órganos no específicos del tumor. Identificar estas regiones es crucial para excluirlas de ciertas mediciones, o calcular parámetros útiles, por ejemplo, el valor estandarizado medio de captación (SUV) para evaluar la actividad metabólica del hígado. La delineación manual de órganos en FDG-PET por parte de los médicos requiere un esfuerzo y tiempo significativos, lo cual a menudo no es factible en flujos de trabajo clínicos reales con una alta carga de pacientes. Por esta razón, este estudio se centra en identificar automáticamente órganos clave con alta captación de FDG, a saber, el cerebro, el ventrículo cardíaco izquierdo, los riñones, el hígado y la vejiga. Con este fin, se adopta un enfoque de conjunto, donde se emplea una Red de Atención U-Net tridimensional (3D AU-Net) para un análisis tridimensional robusto, mientras que se utiliza una U-Net bidimensional (2D U-Net) para el análisis en el plano coronal. El 3D AU-Net muestra segmentaciones de órganos altamente detalladas, pero también incluye muchas regiones falsas positivas. En contraste, la 2D U-Net logra una mayor fiabilidad con un mínimo de regiones falsas positivas, pero carece de los detalles tridimensionales. Los experimentos realizados en un subconjunto del conjunto de datos AutoPET público con 60 exploraciones PET demuestran que el modelo de conjunto propuesto logra una alta precisión en la segmentación de los órganos requeridos, superando las técnicas actuales más avanzadas y respaldando la posible utilización de la metodología propuesta para acelerar y mejorar el flujo de trabajo clínico de pacientes con cáncer.