L’Ospedale Universitario di Basilea presenta il TotalSegmentator un modello di segmentazione di apprendimento profondo che può segmentare automaticamente le principali strutture anatomiche nelle immagini CT del corpo.

Il TotalSegmentator il modello di segmentazione di apprendimento profondo presentato dall'Ospedale Universitario di Basilea per una facile segmentazione automatica delle principali strutture anatomiche nelle immagini CT del corpo.

Il numero di scansioni TC effettuate e la capacità di elaborazione dei dati disponibile sono aumentati negli ultimi anni. Grazie agli sviluppi nei metodi di deep learning, la capacità degli algoritmi di analisi delle immagini è stata notevolmente potenziata. Come risultato dei miglioramenti nella memorizzazione dei dati, nella velocità di elaborazione e nella qualità degli algoritmi, sono state utilizzate campioni più ampi nella ricerca radiologica. La segmentazione delle strutture anatomiche è cruciale per molte di queste indagini. La segmentazione di immagini radiologiche può essere utilizzata per l’estrazione avanzata di biomarcatori, la rilevazione automatica di patologie e la quantificazione del carico tumorale. La segmentazione è già utilizzata nell’analisi clinica comune per scopi come la pianificazione chirurgica e radioterapica. 

Esistono modelli separati per la segmentazione di singoli organi (come pancreas, milza, colon o polmoni) su immagini TC, e sono stati condotti anche studi sulla combinazione dei dati provenienti da più strutture anatomiche in un unico modello. Tuttavia, tutti i modelli precedenti includono solo un piccolo sottoinsieme di strutture anatomiche essenziali e sono stati addestrati su dataset ridotti non rappresentativi dell’imaging clinico di routine. La mancanza di accesso a molti modelli e dataset di segmentazione limita gravemente la loro utilità per i ricercatori. L’accesso a dataset disponibili pubblicamente spesso richiede la compilazione di moduli lunghi o l’utilizzo di fornitori di dati che sono difficili da lavorare o sono a consumo limitato.

Ricercatori del Dipartimento di Radiologia e Medicina Nucleare, Ospedale Universitario di Basilea, hanno utilizzato circa 1204 dataset TC per creare un metodo per la segmentazione di 104 entità anatomiche. Hanno acquisito il dataset con scanner TC, impostazioni di acquisizione e fasi di contrasto. Il loro modello, TotalSegmentator, può segmentare la maggior parte delle strutture anatomicamente importanti del corpo con un minimo intervento dell’utente, e lo fa in modo affidabile in qualsiasi ambiente clinico. L’alta precisione (Punteggio Dice di 0,943) e la robustezza su vari set di dati clinici rendono questo strumento superiore ad altri disponibili gratuitamente online. Il team ha inoltre utilizzato un enorme dataset di oltre 4000 esami TC per esaminare e riportare i cambiamenti correlati all’età nel volume e nell’attenuazione di vari organi. 

• Crea ChatGPT 2.0 con React JS
• Vedere con il suono fornire potere alle persone ipovedenti con GPT-4V(ision) e la tecnologia di Text-to-Speech
• Dovrebbero le macchine usare la GenAI per conversare tra loro in inglese?

I ricercatori hanno reso il loro modello disponibile come pacchetto Python pre-addestrato in modo che chiunque possa utilizzarlo. Hanno sottolineato che poiché il loro modello utilizza meno di 12 GB di RAM e non richiede una GPU, può essere eseguito su qualsiasi computer standard. Il loro dataset è anche facilmente accessibile, senza richiedere autorizzazioni speciali o richieste per il download. La ricerca attuale ha utilizzato un modello basato su nnU-Net perché è stato dimostrato che produce risultati affidabili in vari compiti. È ora considerato lo standard di riferimento per la segmentazione di immagini mediche, superando la maggior parte degli altri approcci. La regolazione degli iperparametri e l’indagine di modelli diversi, come i trasformatori, migliorano le prestazioni dello standard nnU-Net.

Come menzionato nel loro articolo, il modello proposto ha vari utilizzi possibili. Oltre alle sue ovvie applicazioni chirurgiche, la segmentazione rapida ed facilmente accessibile degli organi consente la dosimetria individuale, come dimostrato per il fegato e i reni. Inoltre, la segmentazione automatizzata può migliorare la ricerca fornendo parametri normali o anche dipendenti dall’età (HU, volume, ecc.) ai medici. In combinazione con un modello di rilevamento delle lesioni, il loro modello potrebbe essere utilizzato per approssimare il carico tumorale per una determinata parte del corpo. Inoltre, il modello può servire come base per lo sviluppo di modelli progettati per identificare diverse malattie. 

Il modello è stato scaricato da oltre 4.500 ricercatori per essere utilizzato in vari contesti. Solo di recente è stato possibile analizzare dataset di questa dimensione, e ci sono voluti molto tempo e sforzi da parte degli scienziati dei dati. Questo lavoro ha dimostrato associazioni tra i 12 anni e il volume di numerosi organi segmentati utilizzando un dataset di oltre 4000 persone che avevano subito una scansione TC per politrauma. Le figure letterarie comuni per le dimensioni degli organi normali e per la crescita organica dipendente dall’età di solito si basano su campioni di pochecentinaia di persone. 

Il team evidenzia che nei dataset di studio, i pazienti maschi erano sovrarappresentati, il che potrebbe essere dovuto al fatto che in media più uomini che donne visitano gli ospedali. Tuttavia, il team ritiene che il loro modello possa essere un punto di partenza per indagini più ampie sulle popolazioni radiologiche. Hanno dichiarato che studi futuri includeranno più strutture anatomiche nel loro dataset e modello. Inoltre, stanno reclutando pazienti aggiuntivi, tenendo conto delle possibili variabili di confondimento e conducendo ulteriori analisi di correlazione per condurre uno studio più completo sull’invecchiamento.