Il potere delle segmentazioni accurate nelle soluzioni basate sull'intelligenza artificiale per l'imaging medico

Migliorare la segmentazione dell'intelligenza artificiale medica per precisione e innovazione

Il processo di segmentazione dell'intelligenza artificiale in ambito medico prevede l'identificazione e la delineazione precisa di una regione di interesse (ROI) all'interno di un'immagine. Nell'intelligenza artificiale per la segmentazione delle immagini mediche, queste ROI possono includere lesioni, organi, tessuti sani o strutture, delineati in una o più modalità di imaging, come la risonanza magnetica per immagini (RMI), la tomografia computerizzata (TC) o la tomografia a emissione di positroni (PET), tra le altre.

Precisione in Quibim: soluzioni avanzate basate sull'intelligenza artificiale 

Presso Quibim, la precisione nella segmentazione dell'intelligenza artificiale medica è fondamentaleLe nostre soluzioni accurate per la formazione e la ricerca medica forniscono risultati di segmentazione di alta qualità che servono come elementi chiave nella caratterizzazione dell'aggressività e dell'eterogeneità dei tumori, influenzando in ultima analisi l'evoluzione del paziente. Queste segmentazioni sono fondamentali anche per lo sviluppo di soluzioni basate sull'intelligenza artificiale, in grado di effettuare previsioni sia a livello di lesione che di paziente.

Per questo motivo, un processo di segmentazione standardizzato viene sistematicamente implementato in ogni studio che gestiamo nella nostra azienda, portando alla definizione di protocolli riproducibili e standard perfezionati per ogni caso d'uso specifico. Non solo la segmentazione di una lesione è importante, ma anche i suoi organi e tessuti circostanti. Ad esempio, Nelle soluzioni basate sull'intelligenza artificiale per la previsione della sopravvivenza complessiva (OS) nel cancro al polmone, non viene preso in considerazione solo il ROI della lesione, ma anche le strutture vicine come polmoni, cuore, ossa/calcio, fegato, metastasi, tra le altre.

Sfide nell'intelligenza artificiale nella segmentazione delle immagini mediche

Sono molti i fattori che influenzano in modo significativo l'accuratezza della segmentazione dell'intelligenza artificiale medica, come la risoluzione spaziale e di contrasto, il rumore dell'immagine e la variabilità nella forma, nella consistenza e nella percezione delle patologie¹Ciò evidenzia l'importanza di effettuare controlli di qualità prima di intraprendere qualsiasi elaborazione delle immagini.

L'addestramento alla segmentazione per i modelli AI richiede etichette o annotazioni precise per garantire risultati affidabili. Consiste in una serie di attività per selezionare immagini che hanno una qualità diagnostica sufficiente e sono adatte per essere segmentate. Alcune delle attività includono la selezione della sequenza migliore per eseguire la segmentazione in base a criteri quali risoluzione spaziale e di contrasto, rapporto segnale/rumore, assenza di artefatti e copertura del ROI, tra gli altri. Dopo questo controllo di qualità, la fase successiva è la segmentazione e l'ottenimento del ROI.

La bellezza di questa segmentazione risiede nella sua esecuzione voxel per voxel, che fornisce informazioni tridimensionali sul ROI. Questo approccio supera i criteri convenzionali che si basano sulle misurazioni del diametro, acquisendo così una rappresentazione più completa e sfumata del tessuto in studio.

Controllo di qualità e il futuro del processo di segmentazione basato sull'intelligenza artificiale

Riconoscere il ruolo critico della segmentazione in Soluzioni basate sull'intelligenza artificiale, Quibim ha deciso di affrontare questo passaggio cruciale nella produzione di algoritmi di intelligenza artificiale creando un team dedicato, responsabile di meticolosi controlli di qualità e di una precisa segmentazione dell'intelligenza artificiale in ambito medico. Ciò garantisce una rigorosa aderenza ai più elevati standard qualitativi, influenzando direttamente le prestazioni dei nostri strumenti di segmentazione automatizzati basati sull'intelligenza artificiale, nonché degli algoritmi predittivi e prognostici. Fungendo da punto di partenza, questi processi segnano l'interazione iniziale con gli esami di imaging, preparando il terreno per raggiungere il successo nello sviluppo delle innovative soluzioni di imaging medico di Quibim.

Oltre allo scopo sopra menzionato, Le nostre segmentazioni convalidate fungono da database inestimabili che migliorano l'addestramento dei modelli di intelligenza artificiale. Questa ricchezza di dati consente alla nostra azienda di progredire ulteriormente, sviluppando algoritmi proprietari di segmentazione automatica guidati dalla tecnologia di segmentazione AI medica all'avanguardia. Il nostro impegno per la precisione e le soluzioni AI-driven avanzate garantisce che le nostre soluzioni rimangano all'avanguardia nei progressi dell'imaging medico.

Sfruttando l'intelligenza artificiale per la segmentazione accurata delle immagini mediche, promuoviamo il progresso nel settore sanitario, consentendo soluzioni accurate per la formazione medica, la diagnosi e l'assistenza ai pazienti. Quibim continua a impegnarsi per essere pioniera nel futuro dell'imaging medico basato sull'intelligenza artificiale attraverso un'innovazione incessante e metodologie basate sulla precisione.

1-Segmentazione della zona centrale, della zona periferica della prostata e delle vescicole seminali nella risonanza magnetica assiale T2-white.
2-Esame PET/TC con 18-FDG a corpo intero di un paziente con DLBCL sul piano coronale (sinistra) e maschera di segmentazione in cui ogni lesione è un'etichetta univoca (destra).
3, 4-Segmentazione della massa tumorale del polmone sinistro su sezioni assiali di Tomografia Computerizzata con ricostruzione 3D.
5-Segmentazione di varie strutture anatomiche su un piano coronale in uno studio di Tomografia Computerizzata.

Referenze

1. deSouza NM, van der Lugt A, Deroose CM, et al. Segmentazione standardizzata delle lesioni per la quantificazione dei biomarcatori di imaging: una raccomandazione consensuale da ESR ed EORTC. Insights Imaging . 2022;13(1):159. Pubblicato il 2022 ottobre 4. doi:10.1186/s13244-022-01287-4

Autori

Raúl Yebana – Responsabile dell'analisi delle immagini

Víctor Climent – ​​Tecnico di analisi delle immagini