Desarrollo de una metodología para la segmentación automática del hígado a partir de imágenes de Resonancia Magnética (RM) mediante técnicas de inteligencia artificial (IA)

Abstract

[ES] La incidencia de las enfermedades hepáticas ha aumentado en todo el mundo, siendo su mortalidad y cronicidad sujeto de preocupación general. Sin embargo, en la actualidad, la identificación de estas aún requiere de la práctica de biopsias quirúrgicas o de técnicas de imagen que presentan sesgos significativos. En la actualidad, se están desarrollando nuevos métodos y herramientas que, a partir del análisis computacional de la imagen médica proporcionan información cuantitativa (biomarcadores de imagen) que ayudan a los radiólogos en el diagnóstico y estadiaje de la enfermedad. Estas herramientas constituyen una técnica diagnóstica no invasiva que permite la detección temprana, la caracterización y la estadificación de la hepatopatología, a partir de imágenes médicas del hígado segmentado. Sin embargo, actualmente la delimitación de regiones en el hígado se realiza de forma manual y existe una carencia de herramientas o aplicaciones que proporcionen una segmentación automática del hígado a partir de imágenes de RM. En el presente trabajo se desarrolla un nuevo método para la segmentación automática de hígado sobre imagen de RM. El método propuesto versa en técnicas de inteligencia artificial para generar una máscara que delimita el hígado en las imágenes de RM. Se ha desarrollado una red neuronal convolucional (CNN - Convolutional Neural Network) basada en aprendizaje supervisado, entrenada con estudios de la Plataforma de Radiología Experimental y Biomarcadores de Imagen del Hospital Universitario y Politécnico La Fe de Valencia. Se ha logrado desarrollar e implementar una herramienta de segmentación automática cuyos resultados cumplen con las necesidades clínicas planteadas, en eficacia (delimitación muy similar a la del humano) y en eficiencia (tiempo muy razonable dentro de los flujos clínicos). Este trabajo permite aportar una mejora sustancial al flujo actual de análisis de imagen de las enfermedades difusas hepáticas, posibilitando la completa automatización y la obtención de datos poblacionales a gran escala como líneas futuras.

[CA] La incidència de les malalties hepàtiques ha augmentat a tot el món, sent la seva mortalitat i cronicitat objecte de preocupació general. No obstant això, en l'actualitat, la identificació d'aquestes encara requereix de la pràctica de biòpsies quirúrgiques o de tècniques d'imatge que presenten biaixos significatius. En l'actualitat, s'estan desenvolupant nous mètodes i eines que, a partir de l'anàlisi computacional de la imatge mèdica proporcionen informació quantitativa (biomarcadors d'imatge) que ajuden als radiòlegs en el diagnòstic i estadiatge de la malaltia. Aquests mètodes constitueixen una tècnica diagnòstica no invasiva que permet la detecció primerenca, la caracterització i l'estadificació de la hepatopatología, a partir d'imatges mèdiques del fetge segmentat. Actualment, la delimitació de regions en el fetge es realitza de forma manual i hi ha una manca d'eines o aplicacions que proporcionen una segmentació automàtica del fetge a partir d'imatges de RM. En el present treball es desenvolupa un nou mètode per a la segmentació automàtica de fetge sobre imatge de RM. El mètode proposat versa en tècniques d'intel·ligència artificial per generar una màscara que delimita el fetge en les imatges de RM. S'ha desenvolupat una xarxa neuronal convolucional (CNN - Convolutional Neural Network) basada en aprenentatge supervisat, entrenada amb estudis de la Plataforma d'Radiologia Experimental i Biomarcadors d'Imatge de l'Hospital Universitari i Politècnic La Fe de València. S'ha aconseguit desenvolupar i implementar una eina de segmentació automàtica els resultats compleixen amb les necessitats clíniques plantejades, en eficàcia (delimitació molt similar a la de l'humà) i en eficiència (temps molt raonable dins dels fluxos clínics). Aquest treball permet aportar una millora substancial al flux actual d'anàlisi d'imatge de les malalties difuses hepàtiques, possibilitant la completa automatització i l'obtenció de dades poblacionals a gran escala com línies futures

[EN] The incidence of liver diseases has increased throughout the world, with mortality and chronicity being a subject of general concern. However, at present, the identification of these still requires the practice of surgical biopsies or imaging techniques that present significant biases. Currently, new methods and tools are being developed that, based on the computational analysis of the medical image, provide quantitative information (image biomarkers) that help radiologists in the diagnosis and staging of the disease. These tools constitute a non-invasive diagnostic technique that allows the early detection, characterization and staging of hepatology, based on medical images of the segmented liver. However, currently the delimitation of regions in the liver is done manually and there is a lack of tools or applications that provide an automatic segmentation of the liver from MR images. In the present work a new method for automatic liver segmentation on MR imaging is developed. The proposed method deals with artificial intelligence techniques to generate a mask that delimits the liver in MR images. A convolutional neuronal network (CNN - Convolutional Neural Network) based on supervised learning has been developed, trained with studies of the Platform of Experimental Radiology and Biomarkers of Image of the University Hospital and La Fe Polytechnic of Valencia. It has been possible to develop and implement an automatic segmentation tool whose results meet the clinical needs, efficiency (very similar to human) and efficiency (very reasonable time within clinical flows). This work allows us to provide a substantial improvement to the current flow of image analysis of hepatic diffuse diseases, enabling complete automation and obtaining large-scale population data as future lines