Implementación de un modelo normativo de volumetría corporal en pacientes SURA mediante algoritmos de segmentación automática utilizando imágenes de tomografía computarizada.

Abstract

RESUMEN : El método de segmentación de imágenes médicas es fundamental en la evaluación y tratamiento clínico, mejorando la precisión y estimación de enfermedades y reduciendo la carga de trabajo de los médicos. Recientemente, se ha aplicado la segmentación y estimación de volumen para diferentes órganos del cuerpo con excelentes resultados en tomografía computarizada para el diagnóstico de enfermedades como tumores hepáticos, tumores renales y cirrosis, y para el seguimiento de tratamientos en los pacientes. Sin embargo, la segmentación manual tiene un componente subjetivo que en gran medida varía de acuerdo la experiencia del radiólogo. Para abordar este desafío, en este estudio se utilizó el proyecto MONAI para la segmentación automática de las imágenes, el cual es un marco de trabajo de código abierto que proporciona herramientas para la implementación de aprendizaje automático en aplicaciones médicas. Es importante destacar, que a nivel de volumetría corporal se han implementado pocos normogramas que permiten realizar predicciones y estimaciones de patologías en órganos del abdomen. Para abordar esto, se llevó a cabo un flujo de trabajo para la segmentación automática de imágenes de tomografía y la extracción de volúmenes de diferentes órganos abdominales creando una base de datos con información de población colombiana. El modelo normativo se creó utilizando un módulo desarrollado por el grupo de investigación en imágenes médicas SURA. La creación de un modelo normativo de volumetría corporal de la población colombiana abre nuevas posibilidades en el análisis y diagnóstico de enfermedades abdominales.

ABSTRACT : Medical image segmentation is an important part of clinical evaluation and treatment. It improves the accuracy and estimation of diseases and makes doctors' jobs easier by lowering the amount of work they must do. Recently, segmentation and volume estimation for different parts of the body have been used with great success in computed tomography to diagnose diseases like liver tumors, kidney tumors, and cirrhosis and to check on how patients are doing while they are being treated. But manual segmentation has a biased part that depends a lot on how experienced the radiologist is. This study used the MONAI project for automatic image segmentation, which is an open-source framework with tools for using machine learning in medical uses. It's important to keep in mind that, at the level of body volumetry, there aren't many nomograms that can identify and estimate problems with abdominal organs. To deal with this, a workflow was made for the automatic segmentation of tomography pictures and the extraction of the volumes of different abdominal organs. This was done by making a database with information from the Colombian population. A module made by the SURA medical imaging research group was used to make the standard model. When a standard model of body volumetry for the Colombian population is made, it opens new ways to look at and diagnose diseases of the abdomen.