Desenvolvimento e avaliação de modelos automatizados de segmentação de órgãos para ultrassom abdominal em crianças lesadas
PreprintRadiologia e ImagemPré-publicação. Ainda não revisada por pares; não deve orientar conduta.
O que aconteceu
A segmentação precisa de órgãos em avaliação focada em pediatria com ultrassonografia em trauma (FAST) é um importante pré-requisito para análise automatizada de imagem e avaliação da qualidade da imagem, mas a segmentação manual é intensiva em tempo, sujeita à variabilidade inter e intraobservador, e limita a escalabilidade do desenvolvimento de dados de aprendizagem profunda. Embora o aprendizado profundo tenha se mostrado promissor para a segmentação de órgãos ultrassonográficos, sua aplicação ao FAST pediátrico não foi avaliada. Descrever o desenvolvimento e avaliação de modelos de aprendizagem profunda para localizar e segmentar automaticamente seis órgãos abdominais em pediatria FAST. Realizou-se um estudo transversal utilizando uma amostra de conveniência de exames FAST arquivados de 200 crianças feridas avaliadas em um centro de trauma pediátrico de Nível I. Médicos treinados em ultra-som de emergência segmentaram manualmente seis órgãos abdominais. Os pares de imagem-máscara anotados foram divididos em conjuntos de treinamento e teste em 80:20. Desenvolvemos ou aperfeiçoamos os modelos U-Net, EVIT U-Net, UltraSAM e nnU-Net para segmentar automaticamente a bexiga, rim, fígado, baço, coluna e diafragma. A acurácia da segmentação foi avaliada pelo Coeficiente Dice-Sørensen (DSC) em comparação com as anotações manuais. Especialistas em ultra-sonografia de emergência pediátrica revisaram clipes FAST previamente não marcados e avaliaram a aceitabilidade de máscaras de órgãos geradas por modelos.
O que encontraram
O conjunto de dados incluiu 1.807 pares de imagem-máscara anotados manualmente de 200 clipes FAST pediátricos. Utilizando uma divisão 80:20 sem sobreposição entre clipes de vídeo, foram utilizados 1.446 pares de máscaras de imagem para treinamento e 361 para testes. Em todos os modelos e órgãos, a média de CEO foi de 0,79 (IC 95%: 0,75-0,84). A média de CEO foi maior para o rim e bexiga, cada 0,91 (IC 95%: 0,87-0,95) e menor para o diafragma em 0,63 (IC 95%: 0,60-0,67). O EVIT U-Net obteve o maior DSC para rim, fígado e baço, realizado de forma comparativa com os modelos de maior desempenho para bexiga, e teve um tempo médio de inferência de 54 milissegundos por imagem. Em clipes FAST pediátricos previamente não marcados, especialistas classificaram máscaras de órgãos geradas por modelos como aceitáveis para localização em 73%-95% dos clipes entre órgãos.
Por que isso importa
Descrevemos a segmentação automática de órgãos abdominais-chave em pediatria FAST com dados anotados limitados. Isso representa um avanço importante em nosso pipeline de processamento de imagens e pode acelerar o desenvolvimento de grandes conjuntos de dados robustos com segmentação para anatomia e patologia. Especialistas constataram que as máscaras geradas por modelos forneceram localização aceitável na maioria dos clipes pediátricos previamente não marcados, apoiando o potencial uso da segmentação automatizada na análise de imagem FAST pediátrica.
Tradução automática do resumo original, publicado em medRxiv sob licença CC BY. Os números são conferidos contra o original; siglas e termos técnicos podem variar.
O estudo original
Development and evaluation of automated organ segmentation models for abdominal ultrasound in injured children
Newton Addo, Kush Narang, Ritik Sinha, Naina Sabbineni, Shabir Din, Wilson Huang, Maytal T. Firnberg, Margaret Lin‐Martore, John Mongan, Aaron E. Kornblith