Cesarean Scar Defect Segmentation in Transvaginal Ultrasound Images: a Dataset and Benchmark

Resumen Técnico: Segmentación de Defectos de Cicatriz Cesárea en Imágenes de Ultrasonido Transvaginal

Planteamiento del Problema
El Defecto de Cicatriz Cesárea (DCC), un nicho o indentación persistente en la pared uterina anterior resultante de una curación incompleta tras el parto por cesárea, es una complicación prevalente que afecta aproximadamente al 60% de las mujeres con antecedentes de cesárea. Si bien los defectos significativos (espesor miometrial residual <3 mm) pueden derivar en enfermedades sintomáticas (por ejemplo, manchado postmenstrual, dolor pélvico crónico) y riesgos obstétricos graves (por ejemplo, ruptura uterina, placenta acreta), el diagnóstico preciso sigue siendo un desafío. La ultrasonografía transvaginal (USTV) es la herramienta de cribado estándar de primera línea debido a su accesibilidad y no invasividad; sin embargo, la identificación fiable se ve obstaculizada por el pequeño tamaño, la morfología irregular y el bajo contraste de las lesiones de DCC, así como por la dependencia del operador y la limitada conciencia clínica. A pesar de los avances en el aprendizaje profundo para la imagen médica, existe una brecha crítica: no hay un conjunto de datos públicamente disponible específicamente para la segmentación de DCC en ultrasonido transvaginal, lo que limita el desarrollo de herramientas de diagnóstico automatizado.

Metodología
Para abordar esta escasez de datos, los autores presentan un estudio de cohorte retrospectiva integral, de un solo centro, que implica la creación de un conjunto de datos especializado de DCC.

• Adquisición de Datos: El estudio utilizó datos anonimizados del Hospital Internacional de Salud Materna e Infantil de la Paz (IPMCH). Los criterios de inclusión se centraron en mujeres de 22 a 45 años con divertículo uterino significativo (profundidad ≥50% del espesor miometrial, espesor residual ≤3 mm) y deseos activos de fertilidad. Los datos crudos se adquirieron utilizando equipos de ultrasonido estandarizados (Philips iU-22, Samsung W10, Mindray Resona R9), obteniendo 1.111 imágenes estáticas y 16 secuencias de video dinámicas.
• Protocolo de Anotación: Se estableció un marco de anotación riguroso y colaborativo que involucró a ecografistas experimentados y estudiantes de doctorado capacitados. El proceso siguió directrices clínicas estandarizadas:
  1. Los ecografistas guiaron a los estudiantes de doctorado en la identificación de la presencia y las regiones del DCC.
  2. Las anotaciones se realizaron utilizando Labelme para imágenes estáticas y Pair para secuencias de video.
  3. Un proceso de validación multinivel aseguró la consistencia interobservador, donde cada muestra fue discutida por dos estudiantes de doctorado y posteriormente revisada y modificada por un ecografista.
• Preprocesamiento de Datos: Para reducir la redundancia, se extrajo cada décimo cuadro de las 16 secuencias de video. Un algoritmo de recorte semiautomático eliminó la información digital extrínseca que rodeaba la Región de Interés (ROI). De un grupo inicial de 1.309 muestras, se seleccionaron 501 muestras positivas de alta calidad con DCC confirmado y anotaciones manuales precisas a nivel de píxel para constituir el conjunto de datos final.
• Estructura del Conjunto de Datos: El conjunto de datos está organizado en el formato Pascal VOC, conteniendo imágenes JPEG originales, máscaras de segmentación PNG correspondientes y archivos de texto que definen las divisiones de entrenamiento/prueba.

Contribuciones Clave

1. Primer Conjunto de Datos Público de DCC: El artículo introduce el primer conjunto de datos públicamente disponible para la segmentación de DCC en ultrasonido transvaginal, que comprende 501 muestras positivas con anotaciones a nivel de píxel derivadas de 1.111 imágenes y 16 videos.
2. Marco de Referencia (Benchmarking): Los autores proporcionan una referencia evaluando cuatro arquitecturas de vanguardia para la segmentación de imágenes médicas (UNet, DeepLabV3+, GCNet, Swin-UNet) en el conjunto de datos utilizando un protocolo de validación cruzada de cinco pliegues.
3. Anotación Estandarizada: El trabajo establece una tubería de anotación reproducible que involucra colaboración multidisciplinaria, asegurando una verdad fundamental de alta calidad que se adhiere a las directrices clínicas.

Resultados
La validación técnica se realizó utilizando el coeficiente Dice, Precisión, Recall, Intersección sobre Unión (IoU) y la Distancia de Hausdorff al percentil 95 (HD95).

• Métricas de Rendimiento: A través de los cinco pliegues, los coeficientes Dice medios oscilaron entre 74,03% (Swin-UNet) y 75,92% (DeepLabV3+). Las puntuaciones IoU abarcaron del 70,44% al 72,12%.
• Mejor Desempeño: DeepLabV3+ logró el rendimiento más alto con un Dice de 75,92 ± 2,99% y un IoU de 72,12 ± 3,06%.
• Análisis de Errores: La Precisión varió entre 78% y 88%, reflejando la dificultad de distinguir los bordes delgados e irregulares del DCC del fondo. Sin embargo, el Recall se mantuvo robusto (media mínima por pliegue 78%), lo que indica que la omisión de lesiones no fue un modo de fallo dominante.
• Precisión de los Límites: Las distancias HD95 fueron consistentemente inferiores a 9 vóxeles (mejor resultado: 6,60 ± 1,90 mm para GCNet), confirmando que los límites predichos permanecen dentro de un margen clínicamente aceptable en relación con los trazados de expertos.
• Estabilidad: Las desviaciones estándar bajas a través de los pliegues indican un rendimiento estable del modelo y sugieren que el tamaño del conjunto de datos es suficiente para un entrenamiento robusto.

Significado
El artículo postula que este conjunto de datos sirve como un recurso fundamental para avanzar en los algoritmos de segmentación de imágenes médicas específicamente para ultrasonido ginecológico. Al proporcionar anotaciones de alta calidad y estandarizadas, el trabajo tiene como objetivo:

• Mejorar la comprensión de la comunidad médica sobre las características del DCC.
• Apoyar el desarrollo de herramientas de análisis automatizado que puedan revelar características cuantitativas y patrones sutiles potencialmente pasados por alto por la detección visual humana.
• Mejorar la eficiencia y reproducibilidad diagnóstica, ayudando finalmente en la estratificación de riesgos y la planificación del tratamiento para mujeres en edad reproductiva.
• Establecer la segmentación de DCC como una tarea novedosa dentro del campo más amplio del análisis de imágenes médicas, facilitando futuras investigaciones sobre innovaciones clínicas impulsadas por IA para la salud reproductiva postcesárea.