Método novedoso propuesto en resonancia magnética multiparamétrica para el diagnóstico de cáncer de recto
Figura 1. (a) La distribución de los resultados de diámetros cortos de LN en el conjunto de datos de entrenamiento; (b) La distribución de los resultados de diámetros cortos de LN en los conjuntos de datos de prueba; Las curvas de sensibilidad del modelo auto-LNDS para LN con diferentes diámetros cortos en los conjuntos de datos de prueba internos y externos. Crédito: SIBET
La resonancia magnética multiparamétrica (mpMRI) ha sido aceptada como la alternativa preferida para el diagnóstico del cáncer de recto. La estadificación N es necesaria para todos los informes de RM, para los cuales la detección precisa y la segmentación de los ganglios linfáticos (LN) son los requisitos previos.
Sin embargo, el cuello de botella de los métodos de diagnóstico actuales es la baja eficiencia de la identificación de NL en el contexto de múltiples órganos e intervalos. Además, cuando el número de cortes es superior a 20, los radiólogos experimentados tardarán de 3 a 10 minutos en completar la detección de LN de un paciente y los resultados se verán afectados por la experiencia subjetiva del detector, el entorno y pueden contribuir a un diagnóstico erróneo.
Se ha desarrollado y aplicado por primera vez un método de reconocimiento inteligente para lograr la detección y segmentación automática de LN (auto-LNDS) de pacientes RC antes de la cirugía. Este desarrollo fue logrado por el equipo de investigación de GAO Xin del Instituto de Ingeniería Biomédica y Tecnología de Suzhou de la Academia de Ciencias de China (SIBET, CAS), en colaboración con MENG Xiaochun del Sexto Hospital Afiliado de la Universidad Sun Yat Sen y otros tres hospitales 3A. repartidos por diferentes regiones de China.
Trescientos setenta y tres pacientes RC se inscribieron en este estudio. Las anotaciones de tres expertos senior se usaron como verdades básicas para el entrenamiento del modelo. Las imágenes ponderadas en T2 fusionadas (T2WI) y las imágenes ponderadas en difusión (DWI) proporcionaron información para el marco de aprendizaje profundo de Mask R-CNN a través del aprendizaje de transferencia para generar el modelo auto-LNDS.
Figura 2. Detección de ganglios linfáticos. R: el T2WI original. b: el DWI original. c: la imagen de fusión. d: la realidad básica de los ganglios linfáticos anotados con recuadros amarillos en la imagen de fusión. e: los resultados detectados de auto-LNDS mostrados en las imágenes de fusión. Los recuadros blancos representaban los verdaderos positivos, los recuadros cian representaban los falsos positivos y los recuadros naranjas representaban los falsos negativos. Los vasos estaban llenos de rojo. El caso de la cuarta fila muestra dos LN perdidos por el modelo auto-LNDS. El caso de la quinta fila, dos recuadros cian con color rojo en el interior son vasos pequeños mal diagnosticados como NL por el modelo auto-LNDS (flecha cian), y el otro recuadro cian es pared intestinal mal diagnosticada como NL. Crédito: SIBET
Los resultados muestran que el modelo tiene un excelente rendimiento en la detección de LN de diferentes escalas en comparación con otros algoritmos informados (Fig. 1). El tamaño de los LN detectados es más pequeño (el diámetro corto es tan pequeño como 3 mm) y la precisión es mayor, lo que es mejor que los algoritmos informados y los radiólogos jóvenes (Tabla 1).
Además, solo se necesitan 1,37 segundos para detectar y segmentar todos los LN de un paciente, lo que es 131 veces más rápido que la velocidad de detección del médico.
Este modelo podría ayudar a minimizar las diferencias en la detección de LN entre radiólogos, aumentar la eficiencia del flujo de trabajo clínico y también tiene el potencial de ayudar a los médicos a determinar la etapa ganglionar. Además, este método se puede extender a la evaluación preoperatoria de la estadificación N de tumores en diversas partes del cuerpo a partir de imágenes multimodales (PET, CT, MRI, etc.), lo que tiene un alto significado clínico y juega un importante papel esclarecedor para identificación automática de NL en tórax, abdomen e incluso en todo el cuerpo.
La investigación fue financiada por la Fundación Nacional de Ciencias Naturales de China. Los resultados correspondientes se publicaron como un artículo de portada titulado «Detección y segmentación totalmente automatizadas basadas en el aprendizaje profundo de los ganglios linfáticos en resonancia magnética multiparamétrica para el cáncer de recto: un estudio multicéntrico» en EBioMedicine.
Explore más
La inteligencia artificial puede acelerar la detección de accidentes cerebrovasculares Más información: Xingyu Zhao et al. Detección y segmentación totalmente automatizadas basadas en aprendizaje profundo de ganglios linfáticos en resonancia magnética multiparamétrica para el cáncer de recto: un estudio multicéntrico, EBioMedicine (2020). DOI: 10.1016/j.ebiom.2020.102780 Información de la revista: EBioMedicine
Proporcionado por la Academia de Ciencias de China Cita: Nuevo método propuesto en resonancia magnética multiparamétrica para el diagnóstico de cáncer de recto (3 de julio de 2020) recuperado el 31 de agosto de 2022 de https://medicalxpress.com/news/2020-07-method-multiparametric-mri-rectal-cancer-diagnosis.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.