Advances in Ultrasound Imaging: Automated 3D Segmentation of Anatomical Structures in the Forearm

Resumen Técnico: Segmentación 3D Automatizada de Estructuras Anatómicas en el Antebrazo

Planteamiento del Problema
La ecografía musculoesquelética (MSUS) es una piedra angular en la reumatología y la medicina clínica; sin embargo, alcanzar la competencia sigue siendo una barrera significativa debido a la sustancial formación requerida. Si bien la calidad de la imagen y las modalidades funcionales (por ejemplo, Doppler de potencia, elastografía) han mejorado, la interpretación de las imágenes transversales en 2D depende en gran medida de la capacidad del operador para reconstruir mentalmente la anatomía 3D. Esta carga cognitiva, combinada con la naturaleza costosa y laboriosa de la formación tradicional (cursos, vídeos, mentoría), limita la accesibilidad de una MSUS de alta calidad para personal con menos experiencia. Además, los métodos de visualización 3D existentes para órganos sólidos y estructuras específicas (nervios, músculos) no se han aplicado de manera exhaustiva a la compleja anatomía del lado flexor del antebrazo inferior en un contexto automatizado y de múltiples estructuras.

Metodología
El estudio utilizó un conjunto de datos compuesto por imágenes ecográficas de 50 individuos: 25 pacientes con síndrome del túnel carpiano (STC) establecido y 25 controles sanos. Los escaneos se realizaron en el lado flexor del antebrazo inferior utilizando un escáner GE Logiq 10 con una sonda de 6–15 MHz en modo MSK. El protocolo de imagen capturó bucles de vídeo desde 15 cm proximal a la línea de la muñca hasta la entrada del túnel carpiano.

• Anotación de Datos: Aproximadamente 50 fotogramas por individuo fueron segmentados manualmente por un reumatólogo experimentado. Se seleccionaron trece estructuras anatómicas, pero el estudio se centró en la segmentación de 11 estructuras específicas: el nervio mediano, la arteria radial, los huesos radial y cubital, los huesos escafoides y pisiforme, y cinco músculos (cuadrado pronador, flexor carpi radialis, flexor pollicis longus, flexor digitorum profundus y flexor digitorum superficialis).
• Arquitectura del Algoritmo: Se empleó una red de tipo U-net de codificador-decodificador totalmente convolucional. La arquitectura cuenta con seis niveles con conexiones de cruce, utilizando un max pooling de 2×2 en el codificador y un upsampling de repetición de 2×2 en el decodificador. Cada nivel incluye dos capas de convolución de 3×3 con activación ReLU.
• Protocolo de Entrenamiento: Las imágenes se exportaron con un filtrado mínimo, reducidas a 256×256 píxeles y se utilizaron sin aumentación de contraste. El modelo fue entrenado con Keras utilizando una estrategia de validación cruzada de 10 pliegues, un optimizador Adam, 150 épocas y una función de pérdida Dice. Para evitar el sobreajuste, se aplicaron aumentaciones aleatorias, incluyendo la transformación de intensidad gamma, el volteo horizontal aleatorio y la aplicación de sombras gaussianas aleatorias.
• Métricas de Evaluación: El rendimiento se evaluó mediante el índice Dice para la precisión de la segmentación y el F1-score para la precisión de la detección. Una detección se consideró un verdadero positivo si la segmentación automatizada se superponía en más de un 25% con la verdad de campo manual. Se ignoraron las regiones de segmentación menores a un radio de 7 píxeles.
• Visualización: Las visualizaciones 3D se generaron aproximando los datos de posición basándose en el movimiento uniforme y lineal de la sonda. Los datos segmentados y los fotogramas de la ecografía original fueron renderizados utilizando la plataforma de navegación CustusX, permitiendo que las imágenes 2D se incrusten dentro de contextos anatómicos 3D.

Resultos Clave
El algoritmo demostró niveles variables de éxito en las 11 estructuras segmentadas:

• Precisión de Detección: El nervio mediano y el músculo cuadrado pronador alcanzaron la mayor precisión de detección (0.98). Siete de las once estructuras superaron una precisión de detección de 0.90. El hueso pisiforme mostró la menor precisión de detección (0.40).
• Precisión de Segmentación: La mayor precisión de segmentación se observó en el músculo flexor digitorum superficialis (0.83), mientras que el hueso pisiforme tuvo la menor (0.25).
• Visualización: El estudio generó con éxito visualizaciones 3D donde estructuras específicas (por ejemplo, el nervio mediano en azul, la arteria radial en rojo, los huesos en amarillo) podían aislarse o verse en combinación con superposiciones de ecografía 2D semitransparentes.
• Limitaciones Observadas: Los autores señalaron modos de fallo específicos, como la clasificación errónea por parte del algoritmo de una parte del músculo flexor digitorum superficialis como un segundo músculo flexor carpi radialis. Además, los bajos índices Dice para el hueso pisiforme se atribuyeron al campo de visión limitado del conjunto de datos, que a menudo terminaba en el hueso en lugar de capturar su extensión completa.

Significancia y Reivindicaciones
El artículo afirma ser el primer trabajo que demuestra la segmentación y anotación automatizada de los músculos flexores del antebrazo inferior mediante ecografía. La principal significancia radica en el potencial de transformar la MSUS de una habilidad puramente dependiente del operador en una herramienta asistida por tecnología. Al desplazar la reconstrucción de la anatomía de la mente del operador al sistema de imagen, esta tecnología ofrece:

1. Formación Mejorada: Una herramienta de enseñanza a pie de cama que proporciona representaciones anatómicamente intuitivas, apoyando la comprensión espacial para clínicos con menos experiencia.
2. Reproducibilidad: La segmentación automatizada permite la identificación consistente de las estructuras, reduciendo la variabilidad entre operadores.
3. Visualización Contextual: La capacidad de ver secciones transversales 2D dentro de un entorno esquelético 3D ayuda a cerrar la brecha entre la imagen 2D y la realidad anatómica 3D.

Los autores mantienen una postura modesta, reconociendo que la tecnología aún no alcanza el 100% de precisión y que el conjunto de datos actual carece de seguimiento de la sonda, lo que limita la fluidez de las reconstrucciones 3D. Postulan que, si bien los exámenes robóticos totalmente automatizados podrían dificultar el desarrollo de la habilidad manual, la corrección en tiempo real del posicionamiento de la sonda asistida por IA podría mejorar las habilidades del operador y estandarizar los protocolos de imagen.