A deep learning–based segmentation and CT–MRI fusion framework for preoperative spatial assessment of cervical ossification of the posterior longitudinal ligament

Resumen Técnico: Segmentación Basada en Aprendizaje Profundo y Fusión CT–MRI para la OPLL Cervical

Planteamiento del Problema
La osificación del ligamento longitudinal posterior (OPLL) cervical es una condición degenerativa que causa compresión de la médula espinal y mielopatía cervical, siendo particularmente prevalente en poblaciones asiáticas. La evaluación preoperatoria precisa requiere evaluar la relación espacial entre la lesión osificada y la médula espinal. Actualmente, esto depende de la Tomografía Computarizada (CT) para la morfología ósea y de la Resonancia Magnética (MRI) para la visualización de tejidos blandos/médula espinal. Sin embargo, la práctica clínica enfrenta dos limitaciones principales:

1. Delineación Manual: Identificar y delinear las lesiones de OPLL en la CT es laborioso y está sujeto a la variabilidad interobservador.
2. Falta de Integración Espacial: La CT y la MRI se interpretan típicamente en cortes 2D por separado. La ausencia de un marco espacial unificado dificulta la evaluación precisa de la relación tridimensional (3D) entre la masa osificada y la médula espinal, lo que complica la planificación quirúrgica.

Metodología
El estudio propone un marco que combina la segmentación automática basada en aprendizaje profundo con la fusión multimodal CT–MRI.

• Adquisición de Datos: Se analizó una cohorte retrospectiva de 193 pacientes con OPLL cervical. 173 casos se utilizaron para el entrenamiento del modelo y 20 sirvieron como un conjunto de prueba interno. Además, se seleccionaron 10 pacientes emparejados con exploraciones tanto de CT como de MRI (dentro de una semana) para el análisis de fusión multimodal.
• Segmentación Automática (CT):
  • Arquitectura: La red principal es nnUNetv2, elegida por su configuración automatizada y adaptabilidad.
  • Optimización: Se integró un Módulo de Atención Espacial y de Canal (CABM) en la arquitectura de codificador-decodificador. Este módulo aplica un pesaje adaptativo para enfatizar las características relevantes de las regiones objetivo, mejorando específicamente la sensibilidad hacia los límites de la OPLL y las morfologías irregulares.
  • Tarea: El modelo realiza una segmentación multiclas de vértebras, discos intervertebrales y OPLL.
  • Verdad de Campo (Ground Truth): Las anotaciones fueron delineadas manualmente por dos cirujanos de columna en cortes axiales de CT, excluyendo la calcificación del ligamento longitudinal anterior y los osteofitos, y revisadas por un radiólogo experimentado.
• Extracción de la Médula Espinal (MRI):
  • Se utilizó el modelo de código abierto TotalSpineSeg para extraer las estructuras de la médula espinal a partir de los datos de MRI sin entrenamiento adicional.
• Registro y Fusión 3D:
  • Pipeline: Un proceso basado en Python utilizando SimpleITK y Open3D.
  • Proceso: Las vértebras y los discos segmentados de CT y MRI se convirtieron en nubes de puntos 3D. Se realizó un registro rígido utilizando el algoritmo de Punto Cercano Iterativo (ICP) para alinear el espacio de la MRI al espacio de la CT.
  • Fusión: La máscara de la médula espinal de la MRI fue remuestreada en el sistema de coordenadas de la CT. Se generaron isosuperficies mediante el algoritmo de Marching Cubes para crear un modelo STL 3D unificado que contiene las lesiones osificadas, las vértebras, los discos y la médula espinal.
• Métricas de Evaluación: El rendimiento se evaluó utilizando el Coeficiente de Similitud de Dice (DSC), la Intersección sobre la Unión (IoU), la Distancia de Hausdorff del percentil 95 (HD95) y la Distancia de Superficie Simétrica Promedio (ASSD).

Resultos Clave

• Rendimiento de la Segmentación:
  • En una validación cruzada de cinco pliegues, el modelo alcanzó puntuaciones medias de Dice de 0.98 para las vértebras, 0.91 para los discos intervertebrales y 0.81 para la OPLL (Dice medio: 0.90).
  • En el conjunto de prueba interno, el modelo alcanzó un Dice medio de 0.91, un IoU de 0.85 y un HD95 de 0.89 mm, lo que indica una precisión de límite submilimétrica.
  • La consistencia de la anotación manual (coeficiente Kappa) entre el anotador y el revisor fue de 0.89.
• Rendimiento de la Fusión Multimodal:
  • Tras el registro, el Dice y el IoU para las estructuras anatómicas de referencia (vértebras/discos) entre CT y MRI fueron 0.9063 y 0.8286, respectivamente.
  • El ASSD fue de 0.8354 mm y el HD95 fue de 4.1231 mm.
• Visualización: El modelo fusionado visualizó con éxito la relación espacial entre la OPLL y la médula espinal en un espacio de coordenadas unificado, permitiendo la inspección 3D desde múltiples ángulos de contacto y compresión.

Significancia y Reivindicaciones
Los autores afirman que este estudio presenta un marco técnico que aborda las limitaciones del análisis de imagen de una sola modalidad.

• Eficiencia y Consistencia: El enfoque de aprendizaje profundo mejora la eficiencia y la consistencia del análisis de imágenes en comparación con la delineación manual, reduciendo la subjetividad.
• Evaluación Espacial: Al integrar las estructuras óseas derivadas de CT con la información de tejidos blandos basada en MRI, el método permite una visualización 3D intuitiva de la compleja relación espacial entre las lesiones osificadas y la médula espinal.
• Utilidad Clínica: Los autores sugieren que el método puede asistir en la evaluación espacial preoperatoria y en la planificación quirúrgica, específicamente para procedimientos como la Antidislocación Controlada Anterior y Fusión (ACAF), al ayudar a los cirujanos a visualizar las relaciones de contacto y estimar la cobertura de descompresión.
• Soporte de Decisión: El estudio posiciona la herramienta como un medio para facilitar la comprensión de las relaciones anatómicas 3D para apoyar la toma de decisiones clínicas, en lugar de reemplazarla directamente.

Limitaciones Reconocidas por los Autores

• Precisión de la Segmentación: La segmentación de la OPLL (Dice 0.81) fue inferior a la de las vértebras y los discos, debido a la morfología irregular y los límites poco definidos.
• Discrepancias de Registro: Aunque la alineación general fue buena, persisten desviaciones localizadas (reflejadas en el HD95) debido a las diferencias inherentes en los mecanismos de imagen y la resolución entre CT y MRI, particularmente en las interfaces de tejido blando-hueso.
• Alcance: El modelo actual se centra en la visualización espacial y aún no incorpora métricas cuantitativas (por ejemplo, ratios de compresión, ángulo de Cobb) para una evaluación objetiva.
• Generalizabilidad: Al ser un estudio retrospectivo de un solo centro con un tamaño de muestra limitado, la generalizabilidad del modelo puede verse afectada.