El accidente cerebrovascular es la segunda causa principal de muerte a nivel mundial. El accidente cerebrovascular isquémico, fuertemente vinculado a las placas ateroscleróticas, requiere la segmentación precisa de la placa y la pared de los vasos y la cuantificación para el diagnóstico definitivo. Sin embargo, la segmentación manual convencional sigue con el tiempo y depende del operador, mientras que las herramientas actuales asistidas por computadora se quedan cortas para lograr la precisión requerida para las aplicaciones clínicas. Estos cuellos de botella tecnológicos obstaculizan severamente el diagnóstico preciso y el tratamiento del accidente cerebrovascular isquémico.
En un estudio publicado en europeo Radiologíaun equipo de investigación dirigido por el Dr. Zhang NA de los Institutos de Tecnología Avanzada de Shenzhen (SiAT) de la Academia de Ciencias de China, junto con los colaboradores, ha desarrollado un modelo de segmentación multitarea basado en parámetros totalmente aprendible y un método de segmentación de dos estadios basado en parámetros (MR) de alta resistencia. Este enfoque permite la segmentación automatizada y precisa y el análisis cuantitativo de lúmenes de vasos arteriales carótidos, paredes de vasos y placas, ofreciendo una herramienta de diagnóstico confiable asistida por AI-AI para la evaluación de riesgos clínicos de accidente cerebrovascular isquémico.
En este estudio, el método propuesto consta de dos pasos clave. El primer paso consiste en construir una red neuronal convolucional (CNN) puramente basada en el aprendizaje (CNN), llamada Vessel-Segnet, para segmentar el muro de luz y vaso. El segundo paso aprovecha los antecedentes de la pared del vaso, específicamente, los antecedentes manuales y los antecedentes automáticos basados en la pérdida de Tversky para mejorar la segmentación de la placa utilizando la similitud morfológica entre la pared del vaso y la placa aterosclerótica.
Este estudio incluyó datos de 193 pacientes con placa aterosclerótica en cinco centros, todos los cuales se sometieron a una exploración de resonancia magnética ponderada en T1 (MRI). El conjunto de datos se dividió en tres subconjuntos: 107 pacientes para capacitación y validación, 39 para pruebas internas y 47 para pruebas externas.
Los resultados experimentales demostraron que la mayoría de los coeficientes de similitud de dados (DSC) para la segmentación de la pared de luz y los vasos excedieron el 90%. La incorporación de los antecedentes de la pared del vaso mejoró el DSC para la segmentación de la placa en más del 10%, logrando 88.45%. Además, en comparación con los antecedentes basados en la pérdida de dados, los priors basados en la pérdida de Tversky mejoraron aún más el DSC en casi un 3%, alcanzando el 82.84%.
A diferencia de los métodos manuales, la técnica propuesta proporciona segmentación de placa automatizada precisa y completa una evaluación característica cuantitativa de la placa para un solo paciente en menos de 3 segundos.
El objetivo de nuestra investigación es aprovechar los modelos de IA para producir resultados cuantitativos precisos, reproducibles y clínicamente relevantes, que pueden ayudar a los profesionales de la salud en accidente cerebrovascular. diagnóstico y toma de decisiones terapéuticas “.
Dr. Zhang NA, Shenzhen Institutos de Tecnología Avanzada
El Dr. Zhang agregó: “En el futuro, necesitaremos realizar estudios adicionales utilizando otros equipos, poblaciones y análisis anatómicos para validar aún más la confiabilidad de los resultados de la investigación”.
Fuente:
Referencia del diario:
Que, L., et al. (2025) Segmentación automática basada en el aprendizaje profundo de las paredes y placas de los vasos arteriales en las imágenes de la pared del vaso para la evaluación cuantitativa. Radiología europea. doi.org/10.1007/S00330-025-11697-9.
