Depth to Anatomy: Organ Localization from Depth Images for Automated Patient Table Positioning in Radiology Workflow

Resumen Técnico: De la Profundidad a la Anatomía

Planteamiento del Problema
En la radiología clínica, la fase de preparación y planificación del escaneo es un cuello de botella significativo, consumiendo un promedio de 5,7 minutos (11% del tiempo total del examen). Este proceso depende en gran medida de la posición manual del paciente por parte de los tecnólogos radiólogos, quienes utilizan puntos de referencia externos y guías láser para aproximar la región de interés, seguido de imágenes de exploración (scout) de baja resolución para verificar la alineación. Este flujo de trabajo manual depende del operador, consume mucho tiempo y es propenso a la variabilidad, lo que puede derivar en un posicionamiento inconsistente, repetición de escaneos y una reducción del rendimiento del escáner. Aunque existen sistemas automatizados de posicionamiento de pacientes, estos suelen depender de la detección de puntos de referencia externos o no infieren explícitamente las ubicaciones y formas 3D de la anatomía interna. Existe la necesidad de un sistema que pueda localizar con precisión órganos internos directamente a partir de datos de la superficie corporal externa para automatizar el posicionamiento de la mesa sin depender de escaneos de exploración iterativos.

Metodología
Los autores proponen un marco de aprendizaje, Pix2Vox, que predice las ubicaciones y formas volumétricas 3D de los órganos directamente a partir de una única imagen de profundidad anterior en 2D de la superficie corporal.

• Generación de Datos: El modelo se entrena con un conjunto de datos de 10.020 escaneos de RM de cuerpo completo de la Cohorte Nacional Alemana (NAKO). Dado que no existen imágenes de profundidad y segmentaciones de órganos emparejadas de forma nativa, los autores desarrollaron un flujo de trabajo determinista para sintetizar los datos de entrenamiento:
  • Síntesis de Profundidad: Los volúmenes de RM se procesan para generar proyecciones de profundidad ortográficas cenitales que simulan un sensor montado sobre la mesa del escáner.
  • Extracción de la Verdad de Terreno (Ground Truth): Se utiliza la herramienta TotalSegmentatorMRI para generar máscaras 3D de 56 estructuras anatómicas. Estas se refinan mediante operaciones morfológicas y análisis de componentes conectados, resultando en un conjunto final de 41 estructuras objetivo (incluyendo huesos y tejidos blandos).
  • Cierre de la Brecha de Dominio: Para simular condiciones del mundo real (por ejemplo, batas de hospital, mantas), un flujo de aumento estocástico añade pliegues y bultos simulados a los mapas de profundidad sintéticos.
• Arquitectura de la Red: El núcleo del método es una red convolucional híbrida de 2D a 3D.
  • Codificador (Encoder): Un codificador U-Net 2D estándar procesa la imagen de profundidad de entrada para extraer características espaciales.
  • Conversión de 2D a 3D: Capas personalizadas cierran la brecha dimensional. En el cuello de botella (bottleneck) y en las conexiones de salto (skip connections), los mapas de características 2D se expanden (unsqueeze) a lo largo de un nuevo eje de características y se procesan mediante convoluciones 3D para crear representaciones volumétricas.
  • Decodificador (Decoder): Un decodificador U-Net 3D reconstruye las máscaras de segmentación volumétricas completas para los 41 órganos objetivo.
• Entrenamiento: El modelo se entrena utilizando una pérdida combinada de Dice y entropía cruzada binaria con aumentos de datos (desplazamientos, escalado, rotaciones). El post-procesamiento mediante análisis de componentes conectados elimina las predicciones espurias.

Contribuciones Clave

1. Arquitectura Híbrida: Introducción de una arquitectura Pix2Vox que realiza una inferencia directa de extremo a extremo desde una única imagen de profundidad 2D hacia segmentaciones de órganos volumétricas 3D, evitando el ajuste de modelos corporales intermedios o la reconstrucción geométrica explícita.
2. Conjunto de Datos a Gran Escala: Creación y utilización de un conjunto de datos que comprende 10.020 pares de profundidad-anatomía sintéticos derivados de diversas RM, lo que permite un modelado robusto de la variabilidad anatómica.
3. Generalización: Demostración de que un modelo entrenado puramente con datos sintéticos se generaliza a imágenes de profundidad del mundo real adquiridas de voluntarios en un escáner de RM, incluyendo escenarios con ropa.

Resultos
El modelo fue evaluado en un conjunto de prueba de 998 muestras y comparado contra un "Modelo Medio" (prior espacial) y una "CNN 2.5D" (línea base de proyección multiplanar).

• Precisión de Localización: El modelo Pix2Vox logró un desfase de detección (DOE) de error absoluto medio de 10,99 ± 5,54 mm para las cajas delimitadoras de los órganos. Superó significativamente al modelo medio en la localización coronal (por ejemplo, reduciendo el error del límite derecho de ~19,86 mm a 7,87 mm). Si bien la CNN 2.5D mostró una precisión lateral superior, Pix2Vox proporcionó una localización 3D más equilibrada, particularmente en el eje anterior-posterior donde el método 2.5D presentó dificultades.
• Fidelidad de Segmentación: El modelo alcanzó un Coeficiente de Similitud de Dice (DSC) medio de 0,44 ± 0,2 (0,48 ± 0,20 en la sección de resultados) en todas las estructuras. El rendimiento varió según el tamaño del órgano y la correlación con la superficie:
  • Alto rendimiento: Pulmones (0,78), Hígado (0,71), Fémur (0,62).
  • Menor rendimiento: Glándula tiroides (0,24), Tráquea (0,32).
• Distancia de Superficie: La Distancia de Superficie Simétrica Media (ASSD) fue de 7,69 ± 5,68 mm (8,34 ± 8,11 mm en la sección de resultados).
• Evaluación en el Mundo Real: Pruebas cualitativas en imágenes de profundidad reales de Kinect v2 mostraron que el modelo podía reconstruir estructuras internas espacialmente consistentes. Sin embargo, los autores señalaron artefactos específicos, como estrechamientos en las regiones femorales y artefactos de pico en las segmentaciones pulmonares, atribuidos a la sensibilidad de la curvatura de la superficie y al ruido del sensor.

Significancia y Reivindicaciones
El artículo sostiene que la localización de órganos basada únicamente en la profundidad es técnicamente factible para apoyar los flujos de trabajo de posicionamiento automático de pacientes en radiología. Al lograr un desfase de detección de error absoluto dentro del umbral clínicamente relevante de 10–20 mm, el método propuesto puede potencialmente:

• Reducir el tiempo de configuración minimizando los ajustes manuales de la mesa.
• Disminuir la dependencia de las imágenes de exploración (scout) para la planificación geométrica.
• Minimizar la variabilidad entre operadores.
• Mejorar la comodidad del paciente y el rendimiento del escáner.

Los autores enfatizan que, si bien el método aún no resuelve perfectamente los límites finos de los tejidos con baja correlación superficial, proporciona información espacial suficiente para centrar la anatomía objetivo dentro del isocentro de imagen del escáner. El código y los modelos preentrenados se ponen a disposición pública para apoyar la reproducibilidad.