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

Sintesi Tecnica: Framework Female-RHINO

Problematica
La valutazione standardizzata della risonanza magnetica (RM) uterina rimane difficile a causa della significativa variabilità anatomica, della dipendenza dall'osservatore e dell'assenza di strumenti di analisi automatizzati integrati nel flusso di lavoro. La pratica clinica attuale si affida alla valutazione quantitativa manuale post-esame, che è dispendiosa in termini di tempo, soggetta a variabilità inter-osservatore e spesso documentata in referti narrativi che ostacolano la standardizzazione e la comparabilità longitudinale. Inoltre, i flussi di lavoro RM convenzionali mancano di un feedback quantitativo interattivo durante la scansione, limitando la capacità di adattare le strategie di imaging in tempo reale. Sebbene i metodi di deep learning abbiano mostrato potenziale per la segmentazione e il rilevamento dei landmark, la maggior parte degli approcci esistenti è offline, specifica per un compito e non integrata nel flusso di lavoro di acquisizione clinica.

Metodologia
Gli autori presentano Female-RHINO ((R)eproductive (H)ealth (I)maging A(N)alysis T(O)ol), un framework di IA end-to-end in tempo reale integrato direttamente con lo scanner RM. Il sistema opera su volumi di RM pelvica sagittale pesati in T2 e consiste nei seguenti componenti:

• Dati e Addestramento: Il sistema è stato addestrato e valutato su oltre 500 dataset multicentrici che spaziano tra diversi protocolli, vendor (Philips, Siemens), intensità di campo (da 0,55T a 3,0T) e popolazioni di pazienti. I dataset includevano etichette di segmentazione per la parete uterina, la cavità uterina, i miomi uterini e le cisti di Naboth, nonché landmark anatomici.
• Segmentazione Automatica e Volumetria: Un modello 3D full-resolution Residual Encoder UNet (ResEnc-UNet-M), implementato tramite il framework nnUNet-v2, esegue la segmentazione automatizzata. Il modello utilizza la normalizzazione z-score e l'addestramento basato su patch con perdita combinata Dice e cross-entropy. Il post-processing prevede l'analisi delle componenti connesse 3D per identificare ed enumerare lesioni distinte (miomi e cisti di Naboth) per il calcolo volumetrico.
• Rilevamento Automatico dei Landmark e Biometria: Una rete Swin-UNETR rileva sei landmark anatomici (fondo, apice della cavità endometriale, orifizio interno, orifizio esterno e due punti del diametro antero-posteriore) all'interno di una regione di interesse (ROI) ritagliata. I landmark sono localizzati tramite la regressione di heatmap gaussiane 3D. Le misurazioni biometriche derivate includono la lunghezza del corpo uterino, la lunghezza cervicale, il diametro antero-posteriore, lo spessore fundico, l'angolo utero-cervicale e la posizione uterina (anteverso/retroverso).
• Integrazione in Tempo Reale e Reporting: Il framework si connette allo scanner RM tramite l'interfaccia Fire. Durante l'acquisizione, le fette DICOM vengono trasmesse in tempo reale, convertite in formato NIfTI ed elaborate dal server GPU. Il sistema genera un report HTML strutturato, orientato al clinico, contenente overlay di segmentazione, misurazioni biometriche, volumetria, conteggio delle patologie e visualizzazioni entro circa 70 secondi dal completamento della scansione.

Contributi Chiave

1. Analisi in Tempo Reale Integrata nello Scanner: A differenza degli strumenti offline, Female-RHINO opera in linea con l'acquisizione RM, consentendo la disponibilità immediata dei risultati quantitativi durante la scansione in corso.
2. Workflow End-to-End Automatizzato: Il sistema unifica segmentazione, volumetria, caratterizzazione delle lesioni e biometria basata sui landmark in un unico pipeline senza interazione manuale.
3. Reporting Strutturato: Sostituisce il reporting narrativo con report quantitativi standardizzati che includono overlay di verifica visiva e intervalli di riferimento per il confronto contestuale.
4. Robustezza attraverso l'Eterogeneità: Il framework è stato validato attraverso tre protocolli distinti con differenti intensità di campo, vendor e parametri di acquisizione, dimostrando generalizzabilità.

Risultati
La valutazione su coorti prospettiche e retrospettiche indipendenti ha prodotto i seguenti parametri di performance:

• Segmentazione: Coefficiente di Somiglianza Dice (DSC) medio di 0,82 per l'utero e 0,80 per i fibromi. La segmentazione delle cisti di Naboth ha mostrato un accordo inferiore (DSC ~0,30–0,61 a seconda del protocollo) a causa delle loro dimensioni ridotte e della variabilità.
• Rilevamento dei Landmark: Il sistema ha raggiunto un errore radiale medio (MRE) di 3,7 mm per tutti i landmark. Il tasso di fallimento (definito come errore > 10 mm) è stato basso, con 6 fallimenti su 270 landmark totali valutati.
• Validazione Prospettica: In una distribuzione prospettica (n=5), la volumetria automatizzata ha mostrato un forte accordo con le misurazioni manuali (DSC 0,85 vs inter-osservatore 0,83). Le misurazioni biometriche hanno mostrato differenze assolute medie di 2,33 mm e 2,20 mm rispetto agli osservatori manuali, paragonabili alla variabilità inter-osservatore (2,01 mm).
• Efficienza: L'elaborazione end-to-end, dall'acquisizione dell'immagine alla generazione del report, è stata completata in meno di 70 secondi.

Significatività e Rivendicazioni
L'articolo afferma che Female-RHINO consente un'analisi RM uterina automatizzata, in tempo reale e integrata nello scanner. Gli autori sostengono che questo sistema ha il potenziale per migliorare la standardizzazione, l'efficienza e il flusso di lavoro clinico fornendo dati quantitativi immediati, riproducibili e strutturati. Integrando l'analisi direttamente nel flusso di acquisizione, il framework supporta strategie di imaging adattive e riduce la dipendenza da processi manuali post-elaborazione dispendiosi in termini di tempo. Gli autori posizionano questo lavoro come un passo verso una "RM pelvica consapevole del workflow e adattiva", dove l'analisi quantitativa tramite IA può supportare direttamente la pianificazione dell'acquisizione delle immagini e l'interpretazione clinica, particolarmente per la valutazione delle anomalie uterine e della salute riproduttiva. Lo studio riconosce i limiti, inclusa la mancanza di segmentazione specifica per gli strati (es. zona di giunzione) e le sfide nel localizzare i landmark in casi di grave distorsione anatomica, ma sostiene che il framework offra una base robusta per l'imaging ginecologico automatizzato.