LegSegNet: A Public Deep Learning System for Lower Extremity CT Tissue Segmentation and Quantification

Resumo Técnico: LegSegNet

Declaração do Problema
Exames de tomografia computadorizada (TC) de membros inferiores contêm informações críticas para a avaliação da composição corporal, sarcopenia e doenças musculoesqueléticas. No entanto, a extração desses biomarcadores em escala é dificultada pela falta de fluxos de trabalho precisos e automatizados de segmentação e quantificação de tecidos. As ferramentas de segmentação públicas existentes não foram projetadas para análise abrangente de membros inferiores, focam primariamente no tórax/abdômen/pelve ou são limitadas a doenças ou regiões anatômicas específicas (ex: apenas coxa). Além disso, a maioria dos métodos públicos fornece apenas previsões de máscara sem um sistema de ponta a ponta para análise quantitativa, e poucos oferecem pesos públicos para o tecido adiposo intermuscular (IAT), um compartimento clinicamente significativo, mas de difícil segmentação.

Metodologia
Os autores desenvolveram o LegSegNet, um sistema de aprendizagem profunda projetado para a segmentação multicompartimental de exames de TC de membros inferiores.

• Dados e Anotação: O modelo foi treinado em 1.302 fatias axiais 2D anotadas manualmente de 107 pacientes (Duke Health System, 2013–2020) e avaliado em 900 fatias retidas de 30 pacientes adicionais. As anotações foram revisadas por radiologistas. Uma validação externa separada foi realizada em 30 exames de TC de corpo inteiro do conjunto de dados público SAROS.
• Classes Alvo: O sistema segmenta quatro classes de primeiro plano:
  1. Osso: Fêmur, tíbia, fíbula e patela.
  2. Músculo Esquelético (SM): Músculo visível da coxa e da panturrilha.
  3. Tecido Adiposo Subcutâneo (SAT): Tecido mole entre a pele e a fáscia muscular profunda.
  4. Tecido Adiposo Inter/Intramuscular (IAT): Gordura localizada dentro ou entre os grupos musculares.
• Arquitetura do Modelo: O LegSegNet é construído sobre o nnUNet, um framework de autoconfiguração que adapta automaticamente o pré-processamento, o tamanho do patch, a arquitetia da rede e os pipelines de treinamento ao conjunto de dados. O estudo avaliou a configuração padrão 2D do nnUNet e duas variantes de codificador residual (ResEnc-L e ResEnc-XL).
• Sistema de Quantificação: Além da segmentação, o LegSegNet implementa um pipeline de quantificação automatizado (via interface Gradio) que calcula:
  • Área da seção transversal e volume total para cada classe de tecido.
  • Atenuação média de TC (Unidades Hounsfield) para músculo e gordura.
  • Razões derivadas, incluindo IAT-para-SAT e razões de músculo-para-gordura.
  • Perfis longitudinais de tecido ao longo do membro inferior.

Principais Contribuições

1. Modelo Abrangente: A provisão de um modelo de segmentação multiclasse especificamente para TC de membros inferiores, cobrindo osso, músculo, SAT e IAT.
2. Benchmark Abrangente: Uma avaliação rigorosa comparando o LegSegNet contra um amplo conjunto de baselines de segmentação 2D, incluindo modelos baseados em CNN (UNet, Attention UNet, SegResNet, SwinUNET) e modelos de fundação ajustados (SAM, MedSAM).
3. Sistema Público de Ponta a Ponta: Tanto quanto é de conhecimento dos autores, o LegSegest é o primeiro sistema de ponta a ponta disponível publicamente para quantificação de tecido de TC de membros inferiores, com código e pesos do modelo liberados para facilitar pesquisas futuras.

Resultos

• Desempenho de Segmentação: No conjunto de teste retido, a configuração padrão 2D do nnUNet alcançou o melhor desempenho geral com um Coeficiente de Similaridade de Dice (DSC) médio de 89,31% e uma Distância de Superfície Simétrica Média (ASSD) média de 0,515.
  • Osso: Desempenho mais alto entre todos os métodos (DSC > 95% para a maioria).
  • IAT: A classe mais desafiadora, com o melhor DSC de 73,98% alcançado pelo nnUNet padrão.
  • Comparação: O LegSegNet superou todos os baselines de modelos baseados em CNN, baseados em transformer e modelos de fundação ajustados. Por exemplo, o MedSAM ajustado alcançou um DSC médio significativamente menor de 79,17%.
• Generalização: No conjunto de dados externo SAROS, o LegSegNet manteve o alto desempenho para SAT (92,13% DSC). O desempenho do músculo esquelético caiu ligeiramente (~87% DSC), atribuído a diferenças nos protocolos de anotação onde o SAROS inclui o IAT dentro do rótulo muscular, enquanto o LegSegNet trata eles como classes separadas.
• Precisão de Quantificação: Fortes correlações de Pearson foram observadas entre os volumes derivados pelo LegSegNet e os volumes da verdade fundamental (ground-truth): 0,997 (SAT), 0,998 (SM), 0,999 (Osso) e 0,968 (IAT).

Significância
O artigo afirma que o LegSegNet aborda uma lacuna crítica na análise de imagens médicas ao fornecer o primeiro sistema de ponta a ponta disponível publicamente para segmentação e quantificação abrangente de tecido de TC de membros inferiores. Ao demonstrar que a segmentação automatizada se traduz em biomarcadores quantitativos confiáveis (altas correlações de volume), o sistema oferece uma ferramenta prática para pesquisa clínica e análise de composição corporal. Os autores sustentam que a liberação do sistema e dos pesos servirá como um benchmark público para avaliar futuros modelos de visão computacional em tarefas de tecido de TC clinicamente significativas.