LegSegNet: A Public Deep Learning System for Lower Extremity CT Tissue Segmentation and Quantification

Resumen Técnico: LegSegNet

Planteamiento del Problema
Las tomografías computarizadas (TC) de las extremidades inferiores contienen información crítica para la evaluación de la composición corporal, la sarcopenia y las enfermedades musculoesqueléticas. Sin embargo, la extracción de estos biomarcadores a escala se ve obstaculizada por la falta de flujos de trabajo precisos y automatizados para la segmentación y cuantificación de tejidos. Las herramientas de segmentación públicas existentes no están diseñadas para un análisis exhaustivo de las extremidades inferiores, se centran principalmente en el tórax/abdomen/pelvis, o están limitadas a enfermedades o regiones anatómicas específicas (por ejemplo, solo el muslo). Además, la mayoría de los métodos públicos proporcionan únicamente predicciones de máscaras sin un sistema de extremo a extremo para el análisis cuantitativo, y pocos ofrecen pesos públicos para el tejido adiposo intermuscular (IAT), un compartimento clínicamente significativo pero difícil de segmentar.

Metodología
Los autores desarrollaron LegSegNet, un sistema de aprendizaje profundo diseñado para la segmentación de múltiples compartimentos en tomografías computarizadas de extremidades inferiores.

• Datos y Anotación: El modelo fue entrenado con 1,302 cortes axiales 2D anotados manualmente de 107 pacientes (Duke Health System, 2013–2020) y evaluado con 900 cortes retenidos de 30 pacientes adicionales. Las anotaciones fueron revisadas por radiólogos. Se realizó una validación externa separada en 30 tomografías computarizadas de cuerpo completo del conjunto de datos público SAROS.
• Clases Objetivo: El sistema segmenta cuatro clases de primer plano:
  1. Hueso: Fémur, tibia, peroné y rótula.
  2. Músculo Esquelético (SM): Músculo visible del muslo y la pantorrilla.
  3. Tejido Adiposo Subcutáneo (SAT): Tejido blando entre la piel y la fascia muscular profunda.
  4. Tejido Adiposo Inter/Intramuscular (IAT): Grasa ubicada dentro o entre los grupos musculares.
• Arquitectura del Modelo: LegSegNet está construido sobre nnUNet, un marco de auto-configuración que adapta automáticamente el preprocesamiento, el tamaño del parche, la arquitectura de la red y los flujos de entrenamiento al conjunto de datos. El estudio evaluó la configuración predeterminada de nnUNet 2D y dos variantes de codificador residual (ResEnc-L y ResEnc-XL).
• Sistema de Cuantificación: Más allá de la segmentación, LegSegNet implementa un flujo de trabajo de cuantificación automatizado (a través de una interfaz Gradio) que calcula:
  • Área de sección transversal y volumen total para cada clase de tejido.
  • Atenuación media de TC (Unidades Hounsfield) para músculo y grasa.
  • Ratios derivados, incluyendo la relación IAT-a-SAT y relaciones músculo-grasa.
  • Perfiles longitudinales de tejido a lo largo de la extremidad inferior.

Contribuciones Clave

1. Modelo Integral: La provisión de un modelo de segmentación multicapa específicamente para la TC de extremidades inferiores, que cubre hueso, músculo, SAT e IAT.
2. Referencia Exhaustiva (Benchmark): Una evaluación rigurosa que compara LegSegNet contra un amplio conjunto de bases de comparación de segmentación 2D, incluyendo modelos basados en CNN (UNet, Attention UNet, SegResNet, SwinUNET) y modelos fundacionales ajustados (SAM, MedSAM).
3. Sistema Público de Extremo a Extremo: Según el conocimiento de los autores, LegSegNet es el primer sistema de extremo a extremo disponible públicamente para la cuantificación de tejidos en TC de extremidades inferiores, con el código y los pesos del modelo liberados para facilitar la investigación futura.

Resultados

• Desempeño de la Segmentación: En el conjunto de prueba retenido, la configuración predeterminada de nnUNet 2D logró el mejor desempeño general con un Coeficiente de Similitud de Dice (DSC) promedio de 89.31% y una Distancia de Superficie Simétrica Promedio (ASSD) promedio de 0.515.
  • Hueso: El desempeño más alto en todos los métodos (DSC > 95% en la mayoría).
  • IAT: La clase más desafiante, con el mejor DSC de 73.98% logrado por el nnUNet predeterminado.
  • Comparación: LegSegNet superó a todas las bases de comparación basadas en CNN, basadas en transformadores y modelos fundacionales ajustados. Por ejemplo, el MedSAM ajustado logró un DSC promedio significativamente menor de 79.17%.
• Generalización: En el conjunto de datos externo SAROS, LegSegNet mantuvo un alto desempeño para el SAT (92.13% DSC). El desempeño del músculo esquelético disminuyó ligeramente (~87% DSC), atribuido a diferencias en los protocolos de anotación donde SAROS incluye el IAT dentro de la etiqueta de músculo, mientras que LegSegNet los trata como clases separadas.
• Precisión de la Cuantificación: Se observaron fuertes correlaciones de Pearson entre los volúmenes derivados de LegSegNet y los volúmenes de referencia (ground-truth): 0.997 (SAT), 0.998 (SM), 0.999 (Hueso) y 0.968 (IAT).

Significancia
El artículo afirma que LegSegNet aborda una brecha crítica en el análisis de imágenes médicas al proporcionar el primer sistema disponible públicamente y de extremo a extremo para la segmentación y cuantificación integral de tejidos en TC de extremidades inferiores. Al demostrar que la segmentación automatizada se traduce en biomarcadores cuantitativos fiables (altas correlaciones de volumen), el sistema ofrece una herramienta práctica para la investigación clínica y el análisis de la composición corporal. Los autores postulan que la liberación del sistema y sus pesos servirá como una referencia pública para evaluar futuros modelos de visión computacional en tareas de tejidos de TC clínicamente significativas.