RectoMap: a generalizable deep learning tool for rectal cancer and mesorectum MRI segmentation

Resumen Técnico: RectoMap – Una herramienta de aprendizaje profundo generalizable para la segmentación por RM del cáncer de recto y el mesorecto

Planteamiento del problema
La segmentación precisa de los tumores rectales y del mesorecto en la RM ponderada en T2 es crítica para la estadificación, la planificación del tratamiento (incluyendo radioterapia y quimiorradioterapia neoadyuvante) y la evaluación quirúrgica en el cáncer de recto localmente avanzado (LARC). Sin embargo, la segmentación manual consume mucho tiempo, depende del operador y sufre de variabilidad interobservador. Aunque el aprendizaje profundo ofrece soluciones automatizadas, los modelos existentes suelen tener dificultades con la generalización fuera de la distribución (OOD, Out-of-Distribution). Específicamente, el rendimiento se degrada significativamente cuando los modelos entrenados con datos de fabricantes de escáneres específicos se aplican a imágenes de proveedores no vistos debido a la heterogeneidad en los protocolos de adquisición, las intensidades de campo (1.5T frente a 3T) y los sesgos específicos de cada fabricante. Estudios previos han mostrado caídas notables en el rendimiento (por ejemplo, el DSC descendiendo de 0.77 a 0.59) cuando se prueban en escáneres no vistos, lo que limita su aplicabilidad clínica en entornos multimarca del mundo real.

Metodología
Los autores desarrollaron RectoMap, un flujo de trabajo de aprendizaje profundo robusto y de código abierto, diseñado para abordar estos desafíos de generalización mediante una evaluación sistemática de arquitecturas, estrategias de ensamble y aumentación de datos.

• Conjunto de datos: Un estudio retrospectivo multiinstitucional que involucra a 226 pacientes con diagnóstico histológico confirmado de LARC. El conjunto de datos es altamente heterogéneo y comprende exploraciones de 19 modelos de escáneres de RM distintos de cuatro proveedores (Siemens, Philips, GE, Hitachi) tanto en 1.5T como en 3T.
• Diseño experimental: Se establecieron dos entornos de evaluación:
  • En la distribución (ID, In-Distribution): División aleatoria (181 entrenamiento, 45 prueba) donde los escáneres de prueba estaban presentes en el entrenamiento.
  • Fuera de la distribución (OOD, Out-of-Distribution): Modelos entrenados con datos de Siemens, Toshiba y Philips (163 sujetos) y probados exclusivamente en escáneres GE y Hitachi no vistos (63 sujetos).
• Arquitecturas: Se entrenaron dos modelos 3D complementarios utilizando validación cruzada de 5 pliegues (5-fold cross-validation):
  • nnUNet: Un marco de trabajo basado en redes neuronales convolucionales (CNN) de autoconfiguración.
  • U-MambaBot: Una arquitectura híbrida que integra capas convolucionales con modelado de espacio de estados para el contexto de largo alcance.
• Estrategias de ensamble: Se evaluaron cuatro configuraciones de fusión para combinar las predicciones de las dos arquitecturas y sus cinco pliegues:
  1. Promedio por arquitectura seguido de STAPLE.
  2. Selección del mejor modelo por pliegue seguida de STAPLE.
  3. Agregación STAPLE de dos niveles: STAPLE aplicado dentro de cada arquitectura, y luego los resultados fusionados mediante STAPLE.
  4. Agregación de modelo completo: Todas las 10 predicciones de los modelos (5 pliegues × 2 arquitecturas) fusionadas en un solo paso de STAPLE.
• Aumentación de datos: Los experimentos compararon una aumentación "base" estándar (predeterminada de nnUNet) frente a un esquema de aumentación extendida específica para RM. El esquema extendido incorporó transformaciones de TorchIO y de Intensidad No Lineal Global (GIN) para simular artefactos del mundo real como la inhomogeneidad del campo de sesgo (bias field), el movimiento y las no linealidades de intensidad.
• Métricas: El rendimiento se cuantificó mediante el Coeficiente de Similitud de Dice (DSC) y la Distancia de Hausdorff al percentil 95 (HD95).

Resultados clave

• Rendimiento en la distribución (ID):
  • Para el cáncer de recto, la agregación STAPLE de dos niveles (Configuración 3) con aumentación extendida logró el DSC medio más alto de 0.767 ± 0.119.
  • Para el mesorecto, la agregación de modelo completo (Configuración 4) produjo el mejor DSC de 0.794 ± 0.131.
  • La aumentación específica de RM mejoró consistentemente la segmentación del mesorecto.
• Rendcción fuera de la distribución (OOD):
  • A pesar del cambio de proveedor, el modelo demostró un rendimiento estable entre proveedores.
  • Cáncer de recto: La agregación de modelo completo (sin aumentación extendida) logró un DSC de 0.798 ± 0.126.
  • Mesorecto: La agregación de modelo completo (con aumentación extendida) logró un DSC de 0.776 ± 0.161.
  • Notablemente, el rendimiento de la segmentación del tumor rectal fue ligeramente superior en el entorno OOD que en el ID, debido a que los volúmenes promedio de los tumores eran menores en la cohorte OOD (formas más simples). Por el contrario, el rendimiento del mesorecto fue ligeramente inferior en OOD debido a que los volúos eran más grandes y variables en dicha cohorte.
• Análisis de fallos: La revisión cualitativa indicó que los errores se concentraron en casos con tumores pequeños o anulares, lúmenes rectales colapsados (falta de distensión por gel) y modelos de escáner subrepresentados en los datos de entrenamiento.

Significancia y contribuciones
El artículo posiciona a RectoMap no meramente como un ejercicio de benchmarking, sino como una herramienta clínica lista para su uso y generalizable. Sus principales contribuciones incluyen:

1. Robustez al cambio de proveedor: Al aprovechar datos de múltiples proveedores y estrategias de aumentación específicas, RectoMap mantiene un alto rendimiento a través de fabricantes de escáneres no vistos, abordando una barrera crítica para el despliegue clínico.
2. Disponibilidad de código abierto: La herramienta se publica de forma abierta (GitLab) con pesos preentrenados, lo que permite la inferencia directa o el ajuste fino (fine-tuning) en conjuntos de datos locales. Esto proporciona una línea base fiable incluso para instituciones con datos limitados.
3. Validación sistemática: El estudio proporciona una comparación exhaustiva de las estrategias de ensamble y los tipos de aumentación, identificando que la Configuración 3 (STAPLE de dos niveles) combinada con la aumentación extendida específica para RM ofrece el diseño más robusto para la herramienta final.
4. Utilidad clínica: Con un tiempo de inferencia de aproximadamente 82 segundos por volumen en una RTX 3090, el flujo de trabajo está diseñado para una integración práctica en los procesos clínicos.

Los autores concluyen que, si bien RectoMap representa un paso significativo hacia una segmentación automatizada robusta, persisten limitaciones, incluyendo un conjunto de datos sesgado hacia los escáneres Siemens y la falta de validación prospectiva respecto a su impacto directo en la planificación del tratamiento o los resultados de los pacientes. El trabajo futuro apunta a expandir el conjunto de datos, validar prospectivamente e integrar enfoques de aprendizaje federado.