La IA segmenta automáticamente los riñones y mide sus volúmenes totales usando solo imágenes de ultrasonido 3D

El volumen renal total (VRT) es el biomarcador de imágenes más importante para cuantificar la gravedad de la poliquistosis renal autosómica dominante (PQRAD). La ecografía 3D (US) puede medir con precisión el volumen renal en comparación con la ecografía 2D; sin embargo, la segmentación manual es tediosa y requiere anotadores expertos. El primer estudio en aplicar aprendizaje profundo a US 3D en la PQRAD ha mostrado un desempeño prometedor para la autosegmentación de riñones usando US 3D para medir el VRT, cerca del rastreo humano y la medición de resonancia magnética.

El método de diagnóstico por imágenes y análisis desarrollado por investigadores de la Clínica Mayo (Rochester, MN, EUA), podría ser útil en varios entornos, incluidos diagnóstico por imágenes pediátrico, estudios clínicos y seguimiento longitudinal de la progresión de la enfermedad del paciente. La PQRAD es un trastorno genético en el que se desarrollan quistes dentro de los riñones, lo que hace que los riñones se agranden y pierdan función con el tiempo. A la larga, los volúmenes de los riñones y el hígado aumentan constantemente, produciendo una disminución de la función renal. No existe una cura para la PQR, pero las opciones de tratamiento son la diálisis, el trasplante de riñón, los medicamentos para la presión arterial y la extirpación quirúrgica de los quistes. Si se diagnostica y controla en una etapa temprana, son posibles mejores opciones de tratamiento.

La medición de los volúmenes renales y hepáticos son algunos de los biomarcadores más importantes para cuantificar la gravedad de la PQRAD y se utilizan en la toma de decisiones clínicas. Aparte de la resonancia magnética y la tomografía computarizada, la ecografía (US) es popular y se usa ampliamente para diagnosticar enfermedades renales agudas y crónicas. Las funciones de imágenes calculadas a partir de datos de US utilizando redes neuronales convolucionales profundas mejoraron la clasificación de los niños con anomalías congénitas del riñón y el tracto urinario y los controles. Sin embargo, el cálculo de estas medidas anatómicas normalmente implica la segmentación manual o semiautomática de los riñones en imágenes de US, lo que requiere múltiples anotadores humanos, aumentando la variabilidad entre operadores, reduciendo la confiabilidad y limitando la utilidad en la medicina clínica. La segmentación automática de riñones en imágenes de US con IA no ha progresado recientemente. Existe la necesidad de un mayor desarrollo de imágenes y segmentación de riñones basadas en US para comprender los problemas y mejorar el desempeño de los modelos de IA en la segmentación.

En el primer estudio para medir el volumen total del riñón a partir de imágenes de US en 3D mediante aprendizaje profundo, los investigadores utilizaron imágenes de riñón en 3D adquiridas axialmente en 22 pacientes con PQRAD en los que cada paciente y cada riñón se escanearon tres veces, lo que resultó en 132 escaneos que se segmentaron manualmente. Los investigadores entrenaron una red neuronal convolucional para segmentar todo el riñón y medir el VRT. Posteriormente, se tomaron imágenes de todos los pacientes con resonancia magnética para comparar las mediciones. Los investigadores encontraron que el método mostró un desempeño de segmentación prometedor para la autosegmentación de riñones y el cálculo del volumen total de los riñones, cerca del seguimiento humano y la medición. Los investigadores también compararon su desempeño con la resonancia magnética y encontraron que logró un buen desempeño, lo que sugiere que puede ser útil en poblaciones donde la resonancia magnética es más desafiante, como los niños.

Enlaces relacionados:
Clínica Mayo