El poder de las segmentaciones precisas en soluciones impulsadas por IA para imágenes médicas
Mejorar la segmentación de la IA médica para lograr precisión e innovación
El proceso de segmentación de IA médica implica identificar y delinear con precisión una región de interés (ROI) dentro de una imagen. En la segmentación de imágenes médicas mediante IA, estas ROI pueden incluir lesiones, órganos, tejidos sanos o estructuras, delineados en una o múltiples modalidades de imágenes, como resonancia magnética (IRM), tomografía computarizada (TC) o tomografía por emisión de positrones (PET), entre otras.
Precisión en Quibim: Avanzando en soluciones basadas en IA
En Quibim, La precisión en la segmentación de la IA médica es primordialNuestras soluciones precisas para la formación e investigación médica proporcionan resultados de segmentación de alta calidad que sirven como elementos clave para caracterizar la agresividad y la heterogeneidad de los tumores, lo que en última instancia impacta la evolución del paciente. Estas segmentaciones también son cruciales para desarrollar soluciones impulsadas por IA capaces de realizar predicciones tanto a nivel de lesión como de paciente.
Por esta razón, En cada estudio que gestionamos en nuestra empresa se implementa sistemáticamente un proceso de segmentación estandarizado, Esto lleva a la definición de protocolos reproducibles y estandarizados, adaptados a cada caso de uso específico. No solo es importante la segmentación de una lesión, sino también la de sus órganos y tejidos circundantes. Por ejemplo, En las soluciones impulsadas por IA para la predicción de la supervivencia general (SG) en el cáncer de pulmón, no solo se considera el ROI de la lesión, sino también las estructuras cercanas como los pulmones, el corazón, los huesos/calcio, el hígado, la metástasis, entre otras.
Desafíos en la IA para la segmentación de imágenes médicas
Hay muchos factores que afectan significativamente la precisión de la segmentación de la IA médica., como la resolución espacial y de contraste, el ruido de la imagen, así como la variabilidad en la forma, la textura y la percepción de las patologías.1Esto resalta la importancia de realizar controles de calidad antes de embarcarse en cualquier procesamiento de imágenes.
El entrenamiento de segmentación para modelos de IA requiere etiquetas o anotaciones precisas para garantizar resultados fiables. Consiste en un conjunto de tareas para seleccionar imágenes con suficiente calidad diagnóstica y aptas para la segmentación. Algunas de estas tareas incluyen la selección de la mejor secuencia para realizar la segmentación según criterios como la resolución espacial y de contraste, la relación señal-ruido, la ausencia de artefactos y la cobertura de la ROI, entre otros. Tras este control de calidad, la siguiente fase es la segmentación y la obtención de la ROI.
La belleza de esta segmentación radica en su ejecución vóxel por vóxel, proporcionando información tridimensional del ROI. Este enfoque supera los criterios convencionales que se basan en mediciones de diámetro, capturando así una representación más completa y matizada del tejido en estudio.
Control de calidad y el futuro del proceso de segmentación impulsado por IA
Reconociendo el papel fundamental de la segmentación en Soluciones impulsadas por IA, Quibim decidió abordar este paso crucial en la fabricación de algoritmos de IA contando con un equipo dedicado responsable de controles de calidad meticulosos y una segmentación precisa de la IA médica. Esto garantiza el estricto cumplimiento de los más altos estándares de calidad, lo que influye directamente en el rendimiento de nuestras herramientas de segmentación automatizada basadas en IA, así como en nuestros algoritmos predictivos y de pronóstico. Estos procesos, que sirven como punto de partida, marcan la interacción inicial con los exámenes de imagen, sentando las bases para el éxito en el desarrollo de las innovadoras soluciones de imagen médica de Quibim.
Además del propósito anterior, Nuestras segmentaciones validadas sirven como bases de datos invaluables que mejoran el entrenamiento del modelo de IA. Esta riqueza de datos permite a nuestra empresa seguir avanzando, desarrollando algoritmos propios de segmentación automática basados en tecnología de segmentación de IA médica de vanguardia. Nuestro compromiso con la precisión y las soluciones avanzadas basadas en IA garantiza que nuestras soluciones se mantengan a la vanguardia de los avances en imágenes médicas.
Al aprovechar la segmentación precisa de imágenes médicas mediante inteligencia artificial, impulsamos el progreso en la atención médica, lo que permite soluciones precisas para la capacitación médica, el diagnóstico y la atención al paciente. Quibim sigue dedicado a ser pionero en el futuro de las imágenes médicas impulsadas por IA a través de una innovación incansable y metodologías impulsadas por la precisión.
1-Segmentación de la zona central, zona periférica de la próstata y vesículas seminales en resonancia magnética axial T2-wheited.
2-Examen de imágenes PET/TC con 18-FDG de cuerpo entero de un paciente con DLBCL en el plano coronal (izquierda) y máscara de segmentación donde cada lesión es una etiqueta única (derecha).
3, 4-Segmentación de la masa tumoral del pulmón izquierdo en cortes axiales de Tomografía Computarizada con reconstrucción 3D.
5-Segmentación de diversas estructuras anatómicas en un plano coronal en un estudio de Tomografía Computarizada.
Referencias
- deSouza NM, van der Lugt A, Deroose CM, et al. Segmentación de lesiones estandarizada para la cuantificación de biomarcadores de imágenes: una recomendación de consenso de ESR y EORTC. Perspectivas de imágenes. 2022;13(1):159. Publicado el 2022 de octubre de 4. doi:10.1186/s13244-022-01287-4
Escritores
Raúl Yebana – Gerente de Análisis de Imagen
Víctor Climent – Técnico en Análisis de Imagen