Automated Prostate Gland Segmentation in MRI Using nnU-Net

Resumen Técnico: Segmentación Automatizada de la Glándula Prostática en RM mediante nnU-Net

1. Planteamiento del Problema

La segmentación precisa de la glándula prostática en resonancia magnética multiparamétrica (RMmp) es un paso fundamental para aplicaciones clínicas y de investigación, como el registro de imágenes, la estimación de volúmenes y el análisis radiómico. Sin embargo, existen dos limitaciones principales:

• Delimitación manual: Es un proceso laborioso, consume mucho tiempo y está sujeto a una alta variabilidad interobservador, lo que afecta la reproducibilidad y escalabilidad.
• Herramientas de propósito general: Soluciones existentes como TotalSegmentator, aunque versátiles para múltiples órganos, a menudo fallan en la precisión necesaria para tareas específicas de la próstata. Estas herramientas suelen depender de secuencias de imagen individuales y no aprovechan la información complementaria de la RMmp, resultando en una sub-segmentación significativa de la glándula.

2. Metodología

El estudio propone un enfoque de aprendizaje profundo dedicado y específico para la tarea, utilizando el marco de trabajo nnU-Net v2.

• Datos de Entrenamiento:
  • Se utilizó el conjunto de datos público PI-CAI (Prostate Imaging – Cancer AI).
  • Se entrenó el modelo con 981 casos que incluyen secuencias de RMmp: imágenes ponderadas en T2 (T2W), imágenes de difusión de alto valor b (DWI ≥1000 s/mm²) y mapas de coeficiente de difusión aparente (ADC).
  • Las anotaciones se basaron en máscaras de glándula completa generadas por IA (Bosma22b).
• Datos de Validación y Prueba:
  • Validación Interna: Se realizó una validación cruzada de 5 pliegues (5-fold CV) sobre los datos de PI-CAI.
  • Validación Externa: Se evaluó el modelo en una cohorte independiente de 54 pacientes del Hospital La Fe (España), con anotaciones validadas por expertos. Este conjunto de datos presenta un "cambio de dominio" (diferentes escáneres, protocolos y adquisición retrospectiva) para probar la generalización.
• Preprocesamiento:
  • Para PI-CAI: Remuestreo espacial a una cuadrícula común usando T2 como referencia.
  • Para Hospital La Fe: Un pipeline más extenso que incluye filtrado de ruido (anisotrópico y SUSAN), corrección de inhomogeneidad de campo (N4), y alineación espacial rígida/afín usando Elastix para armonizar las secuencias T2, DWI y ADC.
• Arquitectura del Modelo:
  • Se implementó una red nnU-Net 3D en modo de resolución completa con un codificador residual (residual encoder).
  • Entrenamiento desde cero durante 250 épocas utilizando una función de pérdida compuesta (Dice + Entropía Cruzada).
  • El modelo consume las tres modalidades (T2, DWI, ADC) simultáneamente para explotar la información sinérgica de los tejidos.

3. Contribuciones Clave

• Enfoque Multimodal Específico: A diferencia de las herramientas generales que usan una sola secuencia, este modelo integra T2, DWI y ADC, mejorando la caracterización del tejido prostático.
• Rendimiento Superior frente a Generalistas: Se demuestra cuantitativa y cualitativamente que un modelo entrenado específicamente para la próstata supera drásticamente a TotalSegmentator en este contexto clínico.
• Reproducibilidad y Despliegue: El modelo ha sido completamente contenerizado (Docker), proporcionando una herramienta de inferencia lista para usar que facilita su integración en flujos de trabajo clínicos y de investigación sin necesidad de configuración manual compleja.
• Validación en Escenario Real: La evaluación en una cohorte externa real (Hospital La Fe) confirma la robustez del modelo frente a variaciones en equipos y protocolos de adquisición.

4. Resultados

• Validación Interna (PI-CAI): El modelo alcanzó un coeficiente Dice medio de 0.96 ± 0.00 y una Intersección sobre Unión (IoU) de 0.93, indicando una concordancia volumétrica excelente con las anotaciones de referencia.
• Validación Externa (Hospital La Fe):
  • Modelo Propuesto: Logró un Dice de 0.82, IoU de 0.70, sensibilidad de 0.87 y precisión de 0.78. A pesar del cambio de dominio, mantuvo una segmentación completa y anatómicamente coherente.
  • TotalSegmentator (Comparativa): Mostró un rendimiento muy inferior con un Dice de 0.15 y una sensibilidad de solo 0.10. Aunque tuvo alta precisión (0.91), esto se debió a una severa sub-segmentación (el modelo apenas detectaba partes de la glándula), fallando en capturar los límites anatómicos completos.
• Análisis Visual: Las comparaciones cualitativas confirmaron que el modelo propuesto se ajusta a la forma y extensión de la glándula (ground truth), mientras que TotalSegmentator produce segmentaciones incompletas.

5. Significado e Impacto

Este trabajo subraya la importancia de desarrollar estrategias de segmentación específicas para la tarea y multimodales en lugar de depender de soluciones genéricas para órganos pequeños o clínicamente complejos como la próstata.

• Aplicabilidad Clínica: El alto rendimiento en un entorno de datos reales y heterogéneos demuestra que la herramienta es viable para su integración en flujos de trabajo diarios, mejorando la eficiencia y la consistencia en la investigación oncológica y el diagnóstico.
• Herramienta Abierta: Al hacer el modelo disponible como un contenedor Docker, se elimina la barrera de entrada técnica para otros investigadores, fomentando la reproducibilidad y la adopción en la comunidad de radiología e inteligencia artificial.

En conclusión, el estudio valida que un enfoque de aprendizaje profundo dedicado, alimentado por datos multimodales de RMmp, es esencial para lograr una segmentación prostática precisa, superando significativamente a las herramientas de propósito general actuales.