Implementación de un flujo de trabajo para la evaluación de segmentación de imágenes de tomografía de abdomen en población SURA

Abstract

RESUMEN : La segmentación en imágenes médicas es fundamental en la radiología y la evaluación de enfermedades. Esta técnica se utiliza para identificar y delinear estructuras anatómicas de interés en imágenes médicas, como tomografías computarizadas (TC) y resonancias magnéticas (RM). Uno de los análisis más comunes realizados con la segmentación es el cálculo del volumen de órganos específicos. Esta medición es esencial en una amplia variedad de evaluaciones clínicas, como la detección temprana de tumores, el seguimiento de la progresión de enfermedades crónicas como la esclerosis múltiple o la evaluación de la respuesta al tratamiento. La capacidad de cuantificar el volumen de órganos con precisión a partir de imágenes médicas ha revolucionado la práctica clínica y ha brindado a los profesionales de la salud una herramienta invaluable para el diagnóstico y el monitoreo de condiciones médicas, es así como la volumetría a partir de segmentación de imágenes e IA es un campo en rápido desarrollo que tiene el potencial de revolucionar la práctica clínica puesto que permite automatizar el proceso de segmentación, lo que puede mejorar la precisión y la eficiencia. Además, la IA permite utilizar imágenes de alta resolución, lo que puede proporcionar mediciones de volumen más precisas. En la búsqueda de un modelo normativo para el volumen de órganos abdominales a partir de imágenes de tomografía computarizada (TC), se plantea la necesidad de establecer criterios precisos que permitan a los profesionales de la salud evaluar su tamaño confiable. Es allí donde la segmentación de imágenes desempeña un papel crítico en aplicaciones médicas, ya que los resultados obtenidos son fundamentales para el diagnóstico y tratamiento adecuados de algunas patologías. Esta detección permitirá identificar errores que puedan surgir durante la segmentación de los órganos, entendiendo que la aplicación efectiva de este control de calidad no solo mejorará la precisión del modelo normativo, sino que contribuirá a la reducción de diagnósticos incorrectos y mejorará la toma de decisiones terapéuticas. Por lo cual se buscó implementar un flujo de trabajo que permita evaluar la calidad de la segmentación de imágenes de tomografía abdominal en la población SURA, precisamente por la necesidad de establecer criterios rigurosos y confiables al evaluar el volumen de órganos abdominales para que se realice de manera inequívoca, considerando que pueda implementarse en el ámbito médico, como herramienta crucial en futuros diagnósticos y tratamientos de patologías.

ABSTRACT : Image segmentation plays a crucial role in the field of radiology and disease assessment in medical imaging. This technique is used to identify and outline anatomical structures of interest in medical images, such as computed tomography (CT) scans and magnetic resonance imaging (MRI). One of the most common analyses performed with segmentation is the calculation of the volume of specific organs. This measurement is essential in a wide range of clinical assessments, including early tumor detection, monitoring the progression of chronic diseases like multiple sclerosis, or evaluating treatment response. The ability to accurately quantify organ volume from medical images has revolutionized clinical practice and provided healthcare professionals with an invaluable tool for diagnosis and monitoring medical conditions. Volumetry from image segmentation and AI is a rapidly developing field with the potential to revolutionize clinical practice by automating the segmentation process, thereby improving accuracy and efficiency. Additionally, AI enables the use of high-resolution images, which can provide more precise volume measurements. In the quest to develop a normative model for abdominal organ volume from CT images, there is a need to establish precise criteria that allow healthcare professionals to reliably evaluate the size of these organs. This is where image segmentation plays a critical role in medical applications, as the results obtained are crucial for proper diagnosis and treatment of certain pathologies. This detection will allow the identification of errors that may arise during organ segmentation, understanding that the effective implementation of this quality control will not only improve the accuracy of the normative model but also contribute to the reduction of incorrect diagnoses and enhance therapeutic decision-making. Therefore, there is a need to implement a workflow that allows for the evaluation of the quality of abdominal CT image segmentation in the SURA population, precisely due to the need to establish rigorous and reliable criteria when evaluating the volume of various abdominal organs to be performed unequivocally, considering at all times that it can be implemented in the medical field as a crucial tool in future diagnoses and treatments of various pathologies.