Population-Scale Segmentation of Penile Tissue in DIXON MRI using Deep Learning for Quantitative Phenotyping in Male Reproductive Health

Resumen Técnico: Segmentación de Tejido Peneano a Escala Poblacional en RM DIXON

Planteamiento del Problema
La evaluación cuantitativa del tamaño del pene es clínicamente relevante para afecciones como el micropene, trastornos congénitos y disfunción sexual. Sin embargo, las prácticas estándar actuales dependen de mediciones antropométricas externas (longitud y circunferencia), las cuales son difíciles de estandarizar, sensibles a las condiciones de medición y no logran capturar la porción interna proximal del pene (los pilares y el bulbo). Si bien la Resonancia Magnética (RM) ofrece el potencial para una evaluación volumétrica no invasiva de todo el órgano, la segmentación automatizada del tejido peneano a escala poblacional aún no se ha establecido. Esta brecha es particularmente aguda en recursos de gran escala como el UK Biobank, donde los desafíos distintivos del pene penduloso externo (forma/posición variable) y la raíz interna embebida (límites complejos con músculos adyacentes) han obstaculizado el análisis automatizado.

Metodología
Los autores desarrollaron un marco de aprendizaje profundo para automatizar la segmentación de todo el pene en datos de RM DIXON multicanal de la UK Biobank.

• Conjunto de Datos: El estudio utilizó datos de 34,412 participantes masculinos (de 45 a 87 años) de la UK Biobank. Para el desarrollo del modelo, se creó un conjunto de datos curado de 169 sujetos:
  • Conjunto de Entrenamiento: 145 sujetos (13,050 cortes axiales anotados) segmentados por dos lectores independientes.
  • Conjunto de Prueba: 24 sujetos (2,160 cortes) con doble anotación por ambos lectores para establecer la variabilidad interobservador, con un tercer experto resolviendo las discrepancias para crear una verdad de campo (ground truth) final.
• Preprocesamiento: El flujo de trabajo unió los dos bloques de imágenes caudales más bajos de cuatro modalidades de secuencia (agua, grasa, en fase y fuera de fase) utilizando registro rígido para crear un campo de visión volumétrico continuo.
• Arquitectura del Modelo: Los autores emplearon el marco 3D nnU-Net, una meta-arquitectura de autoconfiguración que adapta automáticamente el preprocesamiento, la topología de la red y los hiperparámetros. La red aceptó una entrada de cuatro canales correspondiente a las secuencias DIXON y fue entrenada para producir máscaras de segmentación binaria. Se evaluaron las configuraciones 2D y 3D, seleccionándose la arquitectura 3D por su rendimiento y estabilidad superiores.
• Estrategia de Entrenamiento: El modelo se sometió a una validación cruzada de 5 pliegues (5-fold cross-validation) en el conjunto de entrenamiento, seguida de una evaluación en el conjunto de prueba independiente con doble anotación. Finalmente, el modelo se desplegó para la inferencia en toda la cohorte de 34,412 participantes.

Contribuciones Clave

1. Conjunto de Datos Novedoso: Introducción de un conjunto de datos anotado manualmente para la segmentación de la RM peneana derivado de la cohorte a gran escala de la UK Biobank.
2. Referencia Robusta (Benchmark): Provisión de un conjunto de prueba independiente con doble anotación y arbitraje de expertos, estableciendo una verdad de campo rigurosa para futuros estudios comparativos.
3. Recurso Abierto: Lanzamiento público de las configuraciones finales del modelo de aprendizaje profundo y los pesos entrenados para facilitar la reproducibilidad y acelerar la investigación en la imagen pélvica automatizada.

Result Resultados

• Rendimiento del Modelo: El 3D nnU-Net alcanzó un Coeficiente de Similitud de Dice (DSC) medio de 0.90 durante la validación cruzada de 5 pliegues. En el conjunto de prueba independiente, el modelo alcanzó un DSC de 0.92 y una distancia de Hausdorff media de 3.58 mm.
• Comparación de Observadores: El rendimiento del modelo superó el acuerdo interobservador entre expertos humanos, que arrojó un DSC medio de 0.82 y una distancia de Hausdorff media de 9.54 mm. Los autores señalan que la mayor brecha entre los anotadores humanos refleja una ambigüedad anatómica genuina en la raíz peneana proximal.
• Despliegue Poblacional: El modelo se aplicó con éxito a 34,412 participantes. Las predicciones de volumen cero se identificaron como artefactos de imagen (anatomía fuera del campo de visión) en lugar de fallos algorítmicos.
• Reproducibilidad: La evaluación longitudinal en 2,201 hombres (con un intervalo medio de 5 años entre escaneos) demostró una alta reproducibilidad inter-sesión con un coeficiente de correlación de Pearson de r = 0.87.

Significancia y Reivindicaciones
El artículo afirma establecer un método reproducible y escalable a la población para la evaluación de la anatomía peneana mediante RM. Al permitir la cuantificación automatizada del tejido peneano total (incluyendo tanto los componentes externos como internos), este marco transforma la medición del pene de una observación difícil de estandarizar en un fenotipo derivado de imagen escalable.

Los autores posicionan este trabajo como un recurso fundacional para futuros estudios de asociación clínica y multi-ómicos. Específicamente, permite investigaciones a gran escala que vinculan la morfología peneana con variantes genéticas, perfiles hormonales, composición corporal y envejecimiento, sin las limitaciones de las mediciones externas convencionales. El estudio enfatiza que, si bien el modelo actual trata al pene como una única estructura debido a las restricciones de resolución, la liberación pública de los pesos del modelo permite a la comunidad extender este trabajo a la segmentación de subórganos y la validación en cohortes más jóvenes o clínicas.