Utilizamos cookies para comprender de qué manera utiliza nuestro sitio y para mejorar su experiencia. Esto incluye personalizar el contenido y la publicidad. Para más información, Haga clic. Si continua usando nuestro sitio, consideraremos que acepta que utilicemos cookies. Política de cookies.

Presenta Sitios para socios Información LinkXpress hp
Ingresar
Publique su anuncio con nosotros
GLOBETECH PUBLISHING LLC

Deascargar La Aplicación Móvil




Modelo de IA segmenta automáticamente imágenes de resonancia magnética

Por el equipo editorial de MedImaging en español
Actualizado el 24 Feb 2025
Print article
Imagen: Ejemplos de exploraciones de resonancia magnética en el conjunto de datos de entrenamiento (Foto cortesía de Radiology, DOI:10.1148/radiol.241613)
Imagen: Ejemplos de exploraciones de resonancia magnética en el conjunto de datos de entrenamiento (Foto cortesía de Radiology, DOI:10.1148/radiol.241613)

La resonancia magnética (RM) desempeña un papel crucial a la hora de proporcionar imágenes detalladas del cuerpo humano, lo que la hace esencial para diagnosticar una amplia gama de afecciones médicas, desde trastornos neurológicos hasta lesiones musculoesqueléticas. Para interpretar las imágenes de RM en profundidad, es necesario delinear o marcar diversas estructuras anatómicas, como órganos, músculos y huesos, en un proceso conocido como segmentación. Tradicionalmente, la segmentación de imágenes de RM se ha realizado de forma manual, lo que consume mucho tiempo, requiere un esfuerzo significativo por parte de los radiólogos y está sujeto a variabilidad entre diferentes lectores.

Los sistemas automatizados ofrecen el potencial de reducir la carga de trabajo del radiólogo, minimizar los errores humanos y ofrecer resultados más consistentes y reproducibles. Los investigadores ahora han desarrollado y probado un modelo de inteligencia artificial (IA) robusto capaz de segmentar automáticamente las principales estructuras anatómicas en imágenes de RM, independientemente de la secuencia. En un estudio publicado en la revista Radiology, el modelo de IA superó a otras herramientas disponibles públicamente.

Los investigadores del Hospital Universitario de Basilea (Basilea, Suiza) desarrollaron TotalSegmentator MRI, una herramienta de segmentación automatizada de código abierto basada en nnU-Net, un marco de auto-configuración que ha establecido nuevos estándares en la segmentación de imágenes médicas. Esta herramienta puede adaptarse a nuevos conjuntos de datos con una mínima intervención del usuario, ajustando automáticamente su arquitectura, preprocesamiento y estrategias de entrenamiento para optimizar el rendimiento.

Un modelo similar para tomografía computarizada, (TotalSegmentator CT) ya está en uso por más de 300.000 usuarios en todo el mundo, procesando más de 100,000 imágenes de TC diariamente. En su estudio retrospectivo, los investigadores entrenaron a TotalSegmentator MRI para realizar una segmentación independiente de la secuencia en estructuras anatómicas principales, utilizando un conjunto de datos aleatorio compuesto por 616 estudios de RM y 527 de TC.

El conjunto de entrenamiento incluyó datos de segmentación de 80 estructuras anatómicas, comúnmente utilizadas para tareas como la medición de volúmenes, la caracterización de enfermedades, la planificación quirúrgica y la realización de cribados oportunistas. Para evaluar el rendimiento del modelo, se calcularon las puntuaciones Dice (métricas que miden la similitud entre dos conjuntos de datos) comparando las segmentaciones previstas con los estándares de referencia establecidos por los radiólogos.

El modelo funcionó bien en las 80 estructuras anatómicas, logrando una puntuación Dice de 0,839 en un conjunto de pruebas de RM interna. Además, superó significativamente a dos modelos de segmentación disponibles públicamente, con puntuaciones de 0,862, 0,838 y 0,560, respectivamente, e igualó el rendimiento de TotalSegmentator CT. Más allá de la investigación y el desarrollo de productos de IA, los investigadores creen que el modelo tiene el potencial de usarse clínicamente para la planificación del tratamiento, el seguimiento de la progresión de la enfermedad y la realización de exámenes de detección oportunistas.

“Utilizamos muchos más datos y segmentamos muchos más órganos, huesos y músculos que lo que se había hecho hasta ahora. Nuestro modelo también funciona en diferentes escáneres de resonancia magnética y configuraciones de adquisición de imágenes”, dijo el Dr. Jakob Wasserthal, científico investigador del Departamento de Radiología del Hospital Universitario de Basilea. “Hasta donde sabemos, nuestro modelo es el único que puede segmentar automáticamente el mayor número de estructuras en las resonancias magnéticas de cualquier secuencia. Es una herramienta que ayuda a mejorar el trabajo de los radiólogos, hace que las mediciones sean más precisas y permite realizar otras mediciones que habrían llevado demasiado tiempo si se hubieran hecho manualmente”.

New
Ultrasound Table
Women’s Ultrasound EA Table
Mini C-arm Imaging System
Fluoroscan InSight FD
LED-Based X-Ray Viewer
Dixion X-View
NMUS & MSK Ultrasound
InVisus Pro

Print article

Canales

Radiografía

ver canal
Imágenes de una mujer de 67 años con antecedentes de cáncer de mama que se sometió a una mamografía combinada y una resonancia magnética (Foto cortesía de Radiology, DOI:10.1148/radiol.233067)

La IA puede señalar mamografías para una resonancia magnética suplementaria

Para lograr la mayor precisión de detección, las pautas internacionales recomiendan combinar la mamografía y la resonancia magnética para las mujeres con un riesgo de cáncer... Más

Ultrasonido

ver canal
Imagen: AI puede ayudar a los médicos a detectar mejor los defectos cardíacos congénitos en las ecografías prenatales de rutina (foto cortesía de 123RF)

La IA mejora la detección de defectos cardíacos congénitos en ecografías prenatales rutinarias

Los defectos cardíacos congénitos, que son anomalías del corazón presentes al nacer, son el tipo más común de defecto congénito. Aproximadamente 1 de cada 4 bebés que nacen con un defecto cardíaco tendrá... Más

Medicina Nuclear

ver canal
Imágenes de autorradiografía que muestran la unión de [18F]flortaucipir, [18F]MK6240 y [18F]PI2620 en la corteza prefrontal, el hipocampo y el cerebelo (A) y en todo el hemisferio cerebral (B) de cerebros de control y con EA (Foto cortesía de UFRGS)

Los radiotrazadores de Tau de última generación superan a los agentes de imagen actuales en la detección del Alzheimer

En la enfermedad de Alzheimer, los ovillos de tau están estrechamente relacionados con el deterioro cognitivo: cuanto mayor es el número de ovillos, más grave es el deterioro cognitivo.... Más

Imaginología General

ver canal
Imagen: El escáner CT robusto y miniaturizado está siendo diseñado para su uso más allá de un entorno hospitalario típico (foto cortesía de Micro-X)

Primer escáner de TC de cuerpo entero móvil proporcionará diagnósticos en el punto de atención

Los escáneres de tomografía computarizada (TC) convencionales dominan el mercado mundial de imágenes médicas, con aproximadamente el 30% de la cuota de mercado.... Más

TI en Imaginología

ver canal
Imagen: La nueva Medical Imaging Suite hace que los datos de imágenes de atención médica sean más accesibles, interoperables y útiles (Fotografía cortesía de Google Cloud)

Nueva suite de imágenes médicas de Google Cloud hace los datos de imágenes médicas más accesibles

Las imágenes médicas son una herramienta fundamental que se utiliza para diagnosticar a los pacientes, y cada año se escanean miles de millones de imágenes médicas en... Más

Industria

ver canal
Imagen: La colonoscopia virtual (colonografía por TC) es una opción aprobada para la detección del cáncer colorrectal en los EUA (Foto cortesía de Shtutterstock)

Bracco Diagnostics y ColoWatch se asocian para ampliar la disponibilidad de pruebas de detección de CCR mediante colonoscopia virtual

En los últimos 25 años, la colonoscopia virtual ha demostrado ser un método altamente preciso, seguro, conveniente y rentable para la prevención y detección del cáncer... Más
Copyright © 2000-2025 Globetech Media. All rights reserved.