Automated Prostate Gland Segmentation in MRI Using nnU-Net

Título: Segmentação Automatizada da Próstata em Ressonância Magnética Utilizando nnU-Net

1. Problema e Contexto

A segmentação precisa da glândula prostática em ressonância magnética multiparamétrica (mpMRI) é um passo fundamental para diversas aplicações clínicas e de pesquisa, incluindo registro de imagens, estimativa de volume e análise radiômica. No entanto, a delimitação manual é:

• Demorada e trabalhosa: Consome recursos significativos de especialistas.
• Variável: Sujeita a variabilidade interobservador, comprometendo a reprodutibilidade.
• Ineficiente em escala: Dificulta a implementação em fluxos de trabalho clínicos rotineiros.

Além disso, ferramentas de segmentação de propósito geral (como o TotalSegmentator) frequentemente falham em fornecer a precisão necessária para tarefas específicas da próstata. Essas ferramentas geralmente:

• São treinadas em conjuntos de dados heterogêneos (TC e RM) focados em generalização ampla, não em estruturas específicas menores.
• Utilizam apenas sequências de imagem únicas, ignorando a informação complementar fornecida pela mpMRI.
• Resultam em subsegmentação (falha em capturar toda a glândula), tornando-as inadequadas para análises quantitativas downstream.

2. Metodologia

Abordagem Proposta:
Os autores desenvolveram um modelo de aprendizado profundo dedicado para a segmentação automática da próstata, utilizando o framework nnU-Net v2.

• Arquitetura: nnU-Net configurada no modo "3D full-resolution" com um backbone de codificador residual (ResNet). Isso permite explorar o contexto volumétrico completo mantendo detalhes espaciais de alta resolução.
• Entrada Multimodal: O modelo utiliza dados de mpMRI, explorando informações complementares de três sequências:
  1. Imagem ponderada em T2 (T2W).
  2. Imagem ponderada em difusão (DWI) com alto valor-b.
  3. Mapas de coeficiente de difusão aparente (ADC).
• Pré-processamento:
  • Conjunto de Treino (PI-CAI): Redimensionamento espacial para uma grade comum usando T2 como referência.
  • Conjunto de Teste (Hospital La Fe): Pipeline extensivo incluindo filtragem de ruído (anisotrópico e SUSAN), correção de campo de viés (N4) e registro rígido/afim para harmonizar dados de diferentes fabricantes (GE, Siemens, Philips) e campos magnéticos (1.5T e 3T).

Dados:

• Treinamento: 981 casos do desafio público PI-CAI (Prostate Imaging – Cancer AI), utilizando máscaras de glândula inteira geradas por IA (Bosma22b). O conjunto inclui pacientes com e sem câncer, variando em idade e volume prostático.
• Validação Interna: Validação cruzada de 5 dobras (5-fold CV) no conjunto PI-CAI.
• Validação Externa: Um conjunto de dados independente de 54 pacientes do Hospital La Fe (Espanha), com anotações validadas por especialistas, representando um cenário clínico real com domínio diferente (domain shift).

Implementação:
O modelo foi totalmente containerizado usando Docker para garantir reprodutibilidade e facilitar a implementação em fluxos de trabalho existentes, sem necessidade de configuração manual de dependências.

3. Contribuições Principais

1. Modelo Especializado: Desenvolvimento de uma solução específica para a próstata que supera as limitações de ferramentas de propósito geral.
2. Uso de Multimodalidade: Demonstração de que a integração de T2W, DWI e ADC melhora a caracterização tecidual e a precisão da segmentação em comparação com abordagens de sequência única.
3. Validação Rigorosa: Avaliação comparativa direta contra o TotalSegmentator em um conjunto de dados externo e real, evidenciando a robustez do modelo proposto frente a variações de equipamento e protocolo.
4. Acesso Aberto: Disponibilização do modelo como uma ferramenta de inferência pronta para uso via contêiner Docker, promovendo a reprodutibilidade na comunidade de pesquisa.

4. Resultados

Desempenho no Conjunto de Treino (Validação Cruzada PI-CAI):
O modelo demonstrou excelente desempenho sob condições controladas:

• Dice Score (DSC): 0,96 ± 0,00
• IoU (Interseção sobre União): 0,93 ± 0,01
• Distância de Hausdorff (HD): 4,60 ± 0,75 mm
• Sensibilidade e Precisão: Ambas em 0,96 ± 0,01.

Desempenho no Conjunto de Teste Externo (Hospital La Fe):
Apesar da mudança de domínio (domain shift), o modelo manteve forte capacidade de generalização:

• Modelo Proposto:
  • Dice Score: 0,82
  • IoU: 0,70
  • Sensibilidade: 0,87 | Precisão: 0,78
  • HD: 11,35 mm
• TotalSegmentator (Comparativo):
  • Dice Score: 0,15 (Desempenho substancialmente inferior)
  • IoU: 0,10
  • Sensibilidade: 0,10 | Precisão: 0,91
  • HD: 23,83 mm

Análise Qualitativa:
O TotalSegmentator apresentou uma tendência forte de subsegmentação (alta precisidade, mas baixa sensibilidade), falhando em capturar os limites anatômicos completos da glândula. Em contraste, o modelo proposto manteve um equilíbrio melhor entre sensibilidade e precisão, fornecendo delimitações mais completas e clinicamente significativas, alinhadas com o ground truth.

5. Significado e Conclusão

Este trabalho demonstra que estratégias de segmentação específicas para a tarefa, que aproveitam a informação multimodal da mpMRI, são superiores às abordagens genéricas para a análise da próstata.

• Impacto Clínico: O modelo oferece uma ferramenta confiável para automatizar a delimitação da próstata, essencial para fluxos de trabalho de pesquisa clínica e potencialmente para apoio à decisão clínica.
• Robustez: A capacidade de manter alto desempenho mesmo em dados externos de diferentes fabricantes e protocolos valida a utilidade do modelo em cenários do mundo real.
• Reprodutibilidade: A entrega do modelo como um contêiner Docker facilita sua adoção imediata por outros pesquisadores e instituições, removendo barreiras técnicas de implementação.

Em suma, o estudo valida a eficácia do nnU-Net adaptado para a segmentação da próstata, superando significativamente as ferramentas atuais de propósito geral e estabelecendo um novo padrão para a integração automatizada em pipelines de análise de mpMRI.