UNet for the automatic segmentation of normal and pathological adrenal glands in canine CTs

Resumo Técnico: UNet para a Segmentação Automática de Glândulas Adrenais Normais e Patológicas em TC Canina

Definição do Problema
A tomografia computadorizada (TC) é a modalidade de imagem preferencial para a avaliação das glândulas adrenais caninas, mas a avaliação volumétrica objetiva permanece dificultada pela natureza demorada da segmentação manual. Embora as lesões adrenais sejam cada vez mais detectadas como achados incidentais, a caracterização precisa é desafiadora devido ao pequeno tamanho das estruturas, aos padrões variáveis de realce e à proximidade com grandes vasos abdominais. Na prática rotineira, a avaliação de lesões depende fortemente de medições lineares subjetivas, enquanto a avaliação volumétrica é raramente realizada. Além disso, as ferramentas automatizadas existentes na medicina veterinária são limitadas, com a maioria dos estudos restrita à anatomia normal e carecendo de validação em condições patológicas. Essa lacuna impede o uso rotineiro da imagem quantitativa reprodutível para doenças adrenais caninas.

Metodologia
O estudo desenvolveu e avaliou um pipeline baseado em aprendizado profundo para a segmentação automática de glândulas adrenais normais e nódulos adrenais utilizando um conjunto de dados multicêntrico de 332 exames de TC de mais de 25 instituições.

• Conjunto de Dados: O conjunto de dados final incluiu 333 varreduras (295 para treinamento/validação via validação cruzada de 5 dobras, e 37 mantidas separadas para teste interobservador). Os dados abrangeram uma gama diversificada de raças, idades e tipos de scanners de TC. Os critérios de exclusão incluíram grandes massas abdominais que deslocam órgãos, efusão severa, artefatos de movimento e baixa qualidade de imagem.
• Verdade de Campo (Ground Truth): As segmentações manuais foram realizadas fatia a fatia usando o 3D Slicer por dois radiologistas com diferentes níveis de experiência, revisados por um especialista sênior. Nódulos e parênquima normal foram segmentados separadamente quando uma interface clara existia.
• Arquitetura do Modelo: O estudo utilizou o framework nnU-Net v2 com um Codificador Residual (ResEnc) na configuração Large (L). Quatro configurações específicas foram treinadas e comparadas:
  1. Modelo 2D: Processa fatias axiais de forma independente.
  2. 3D de Baixa Resolução: Opera em volumes 3D subamostrados.
  3. 3D de Resolução Total: Lida com patches volumétricos na resolução nativa.
  4. 3D Cascata de Resolução Total: Utiliza um modelo de baixa resolução para inicializar um modelo de resolução total.
• Pós-processamento e Classificação: Para reduzir falsos positivos, um classificador binário secundário (3D EfficientNet-B3) foi aplicado às regiões adrenais preditas. Se o classificador determinasse que um nódulo estava ausente, a segmentação do nódulo era mesclada à segmentação da adrenal. Um limiar de volume mínimo (0,1 mL) foi aplicado para descartar componentes espúrios.
• Avaliação: O desempenho foi avaliado usando métricas de sobreposição (Coeficiente de Similaridade de Dice - DSC, DSC Agregado) e métricas baseadas em distância (Distância de Hausdorff de Percentil 95 - HD95, Distância de Superfície Simétrica Média - ASSD). A concordância volumétrica foi avaliada usando gráficos de Bland-Altman e Coeficientes de Correlação Intraclasse (ICC). Crucialmente, o desempenho do modelo foi comparado com a concordância interobservador entre dois radiologistas especialistas.

Principais Resultados

• Desempenho Geral: Os modelos propostos alcançaram boa concordância com as anotações manuais em todas as estruturas avaliadas. O modelo 3D de baixa resolução foi identificado como o que oferece o melhor equilíbrio entre precisão de segmentação, concordância volumétrica e eficiência computacional.
• Precisão de Segmentação:
  • Adrenais Completas: A segmentação de toda a estrutura adrenal (incluindo nódulos) rendeu o maior desempenho, com valores de DSC aproximando-se da concordância interobservador.
  • Nódulos: Todos os modelos 3D alcançaram desempenho satisfatório (DSC médio 0,67–0,75), aproximando-se da referência inter-especialista (0,82–0,87). O modelo 2D apresentou desempenho significativamente inferior.
  • Glândulas Normais: As glândulas adrenais normais foram segmentadas com boa precisão, embora com DSC ligeiramente menor do que as estruturas completas devido ao seu pequeno tamanho. O modelo 3D de resolução total apresentou o melhor desempenho para glândulas normais, enquanto os modelos 3D de baixa resolução e cascata mostraram maior variabilidade nas métricas de distância devido a outliers ocasionais.
• Concordância Volumétrica: Os modelos 3D de baixa resolução e 3D cascata mostraram a concordância alta e consistente mais constante para volumetria de nódulos. Para glândulas normais, o modelo 3D de resolução total demonstrou o maior ICC. O modelo 2D exibiu consistentemente uma subsegmentação sistemática.
• Comparação Interobservador: A concordância entre os modelos automatizados e os leitores especialistas foi comparável à concordância entre os dois especialistas humanos. A análise estatística (testes de Wilcoxon) mostrou que, para a maioria das configurações 3D, a diferença entre a concordância modelo-especialista e a concordância especialista-especialista não foi estatisticamente significativa, sugerindo que os modelos são indistinguíveis de um segundo observador humano para esta tarefa.
• Eficiência: O modelo 2D foi o mais rápido, enquanto o modelo 3D cascata foi o mais exigente computacionalmente. O modelo 3D de baixa resolução ofereceu um compromisso favorável, sendo consideravelmente mais rápido que as variantes de resolução total, mantendo alta precisão.

Significância e Alegações
Os autores afirmam que este estudo demonstra a viabilidade da segmentação adrenal automatizada em um conjunto de dados veterinário heterogêneo e multicêntrico. A principal significância reside em fornecer uma base para a avaliação volumétrica reprodutível, que é atualmente limitada na prática clínica devido ao tempo necessário para a segmentação manual.

O artigo afirma que:

1. A segmentação automatizada pode alcançar níveis de desempenho comparáveis aos de radiologistas especialistas, aproximando-se da variabilidade interobservador.
2. O workflow proposto suporta a avaliação de lesões de forma eficiente no tempo e fornece características quantitativas que podem ser integradas ao relatório clínico e à pesquisa.
3. A capacidade de segmentar com precisão tanto o tecido normal quanto o patológico (nódulo) representa um avanço sobre estudos veterinários anteriores, que focavam majoritariamente apenas na anatomia normal.
4. Embora o estudo não pretenda resolver a diferenciação entre lesões benignas e malignas (visto que critérios de TC padronizados para isso em cães ainda não existem), a extração confiável de dados volumétricos é um pré-requisito para futuras ferramentas de radiômica e suporte à decisão baseadas em IA para doenças adrenais caninas.

O estudo reconhece limitações, incluindo a dependência da segmentação manual como padrão de referência (que permanece inerentemente subjetiva para fronteiras mal definidas) e a falta de validação externa em uma coorte independente. No entanto, os resultados sugerem que a segmentação baseada em aprendizado profundo é uma ferramenta viável para avançar a imagem quantitativa na medicina veterinária.