Female-RHINO: A Real-Time Scanner-Integrated Framework for Automated Quantitative Uterine MRI Analysis and Structured Reporting

Resumen Técnico: Marco de Trabajo Female-RHINO

Planteamiento del Problema
La evaluación estandarizada de la RM uterina sigue siendo difícil debido a la significativa variabilidad anatómica, la dependencia del observador y la ausencia de herramientas de análisis automatizadas integradas en el flujo de trabajo. La práctica clínica actual depende de la evaluación cuantitativa manual post-examen, lo cual es lento, está sujeto a la variabilidad interobservador y a menudo se documenta en informes narrativos que dificultan la estandarización y la comparabilidad longitudinal. Además, los flujos de trabajo de RM convencionales carecen de retroalimentación cuantitativa interactiva durante la exploración, lo que limita la capacidad de adaptar las estrategias de imagen en tiempo real. Si bien los métodos de aprendizaje profundo han mostrado resultados prometedores para la segmentación y la detección de puntos de referencia (landmarks), la mayoría de los enfoques existentes son offline, específicos para tareas determinadas y no están integrados en el flujo de trabajo de adquisición clínica.

Metodología
Los autores presentan Female-RHINO ((R)eproductive (H)ealth (I)maging A(N)alysis T(O)ol), un marco de IA de extremo a extremo y en tiempo real integrado directamente con el escáner de RM. El sistema opera sobre volúmenes de RM pélvica sagitales ponderados en T2 y consta de los siguientes componentes:

• Datos y Entrenamiento: El sistema fue entrenado y evaluado en más de 500 conjuntos de datos multicéntricos que abarcan diversos protocolos, proveedores (Philips, Siemens), intensidades de campo (de 0.55T a 3.0T) y poblaciones de pacientes. Los conjuntos de datos incluyeron etiquetas de segmentación para la pared uterina, la cavidad uterina, los miomas uterinos y los quistes de Naboth, así como puntos de referencia anatómicos.
• Segmentación Automatizada y Volumetría: Un modelo de segmentación 3D de codificador residual de resolución completa (ResEnc-UNet-M), implementado mediante el marco nnUNet-v2, realiza la segmentación automatizada. El modelo utiliza normalización z-score y entrenamiento basado en parches con una pérdida combinada de Dice y entropía cruzada. El post-procesamiento implica un análisis de componentes conectados en 3D para identificar y enumerar lesiones distintas (miomas y quistes de Naboth) para el cálculo volumétrico.
• Detección de Puntos de Referencia y Biometría Automatizada: Una red Swin-UNETR detecta seis puntos de referencia anatómicos (fondo, ápex de la cavidad endometrial, orificio interno, orificio externo y dos puntos de diámetro anteroposterior) dentro de una región de interés (ROI) recortada. Los puntos de referencia se localizan mediante la regresión de mapas de calor gaussianos 3D. Las mediciones biométricas derivadas incluyen la longitud del cuerpo uterino, la longitud cervical, el diámetro anteroposterior, el grosor fundal, el ángulo útero-cervical y la posición uterina (anteverso/retroverso).
• Integración en Tiempo Real e Informes: El marco se conecta al escáner de RM a través de la interfaz Fire. Durante la adquisición, las imágenes DICOM se transmiten en tiempo real, se convierten al formato NIfTI y son procesadas por el servidor de GPU. El sistema genera un informe HTML estructurado y orientado al clínico que contiene superposiciones de segmentación, mediciones biométricas, volumetría, recuento de patologías y visualizaciones en aproximadamente 70 segundos tras la finalización del escaneo.

Contribuciones Clave

1. Análisis en Tiempo Real Integrado al Escáner: A diferencia de las herramientas offline, Female-RHINO opera de forma síncrona con la adquisición de la RM, permitiendo la disponibilidad inmediata de resultados cuantitativos durante la exploración en curso.
2. Flujo de Trabajo Automatizado de Extremo a Extremo: El sistema unifica la segmentación, la volumetría, la caracterización de lesiones y la biometría basada en puntos de referencia en un solo proceso sin interacción manual.
3. Informes Estructurados: Reemplaza los informes narrativos con informes cuantitativos estandarizados que incluyen superposiciones de verificación visual y rangos de referencia para la comparación contextual.
4. Robustez ante la Heterogeneidad: El marco fue validado a través de tres protocolos distintos con variaciones en intensidad de campo, proveedores y parámetros de adquisición, demostrando su capacidad de generalización.

Resultados
La evaluación en cohortes retrospectivas y prospectivas independientes arrojó las siguientes métricas de rendimiento:

• Segmentación: El Coeficiente de Similitud de Dice (DSC) medio fue de 0.82 para el útero y 0.80 para los fibromas. La segmentación de los quistes de Naboth mostró una menor concordancia (DSC ~0.30–0.61 dependiendo del protocolo) debido a su pequeño tamaño y variabilidad.
• Detección de Puntos de Referencia: El sistema logró un error radial medio (MRE) de 3.7 mm en todos los puntos de referencia. La tasa de fallo (definida como un error > 10 mm) fue baja, con 6 fallos de un total de 270 puntos de referencia evaluados.
• Validación Prospectiva: En un despliegue prospectivo (n=5), la volumetría automatizada mostró una fuerte concordancia con las mediciones manuales (DSC 0.85 frente a 0.83 del interobservador). Las mediciones biométricas mostraron diferencias absolas medias de 2.33 mm y 2.20 mm en comparación con los observadores manuales, cifras comparables a la variabilidad interobservador (2.01 mm).
• Eficiencia: El procesamiento de extremo a extremo, desde la adquisición de la imagen hasta la generación del informe, se completó en menos de 70 segundos.

Significancia y Reivindicaciones
El artículo sostiene que Female-RHINO permite un análisis de RM uterina por IA en tiempo real e integrado al escáner. Los autores afirman que este sistema tiene el potencial de mejorar la estandarización, la eficiencia y el flujo de trabajo clínico en el diagnóstico por imagen pélvica al proporcionar datos cuantitativos inmediatos, reproducibles y estructurados. Al integrar el análisis directamente en el flujo de trabajo de adquisición, el marco respalda estrategias de imagen adaptativas y reduce la dependencia de un post-procesamiento manual lento. Los autores posicionan esto como un paso hacia una "RM pélvica consciente del flujo de trabajo y adaptativa", donde el análisis de IA cuantitativo puede apoyar directamente la planificación de la adquisición de imágenes y la interpretación clínica, particularmente para la evaluación de anomalías uterinas y la salud reproductiva. El estudio reconoce limitaciones, incluyendo la falta de segmentación por capas específicas (p. ej., zona de unión) y los desafíos con la localización de puntos de referencia en casos de distorsión anatómica severa, pero mantiene que el marco ofrece una base robusta para la imagen ginecológica automatizada.