Automatyczna segmentacja struktur płuc w obrazach MRI u dzieci z mukowiscydozą za pomocą nnU-Net
Mukowiscydoza (CF) jest chorobą genetyczną, która w głównej mierze atakuje układ oddechowy, prowadząc do przewlekłego zapalenia i nawracających infekcji, które powodują postępujące uszkodzenie płuc. Wczesne wykrycie i monitorowanie zmian chorobowych jest kluczowe dla poprawy wyników leczenia. Tradycyjnie, tomografia komputerowa (CT) była standardem obrazowania zmian w płucach pacjentów z CF. Jednak ze względu na ryzyko związane z promieniowaniem jonizującym, coraz częściej stosuje się rezonans magnetyczny (MRI) jako bezpieczniejszą alternatywę.
Jednym z wyzwań związanych z MRI jest dokładne segmentowanie struktur płuc, szczególnie u dzieci, gdzie ruchy oddechowe i artefakty sercowe mogą wpływać na jakość obrazu. Nowe metody oparte na uczeniu maszynowym, w szczególności na głębokich sieciach neuronowych, znacząco poprawiają wyniki segmentacji, przewyższając tradycyjne techniki. W niniejszym badaniu wykorzystano zaawansowaną sieć nnU-Net do automatycznego segmentowania płuc u dzieci z CF.
Segmentowanie struktur płuc to proces polegający na identyfikacji, wydzieleniu oraz zarysowaniu granic płuc na obrazach medycznych, takich jak tomografia komputerowa (CT) czy rezonans magnetyczny (MRI). Segmentacja ma na celu wyodrębnienie konkretnych obszarów, takich jak płuca, tkanka płucna, oskrzela, a czasem nawet poszczególne płaty płuc, w celu dalszej analizy diagnostycznej. Dzięki temu możliwe jest uzyskanie bardziej precyzyjnych danych na temat stanu płuc i ich struktury, co jest istotne w diagnostyce oraz monitorowaniu chorób układu oddechowego. Segmentacja może być wykonywana ręcznie przez radiologów lub automatycznie przy użyciu algorytmów komputerowych, w tym metod uczenia maszynowego. Współcześnie coraz częściej stosuje się zaawansowane techniki automatycznej segmentacji, takie jak sieci neuronowe (np. nnU-Net), które oferują wysoką precyzję i oszczędność czasu.
W przypadku mukowiscydozy segmentacja struktur płuc jest szczególnie trudna ze względu na zmiany patologiczne, takie jak pogrubienie ścian oskrzeli, zaleganie śluzu oraz różne stopnie włóknienia. Automatyczne segmentowanie płuc umożliwia bardziej precyzyjną analizę tych zmian, co może pomóc w ocenie nasilenia choroby oraz skuteczności terapii.
Badanie przeprowadzono na danych MRI 165 przypadków pochodzących od 84 dzieci z mukowiscydozą, obejmujących szeroki zakres wieku (średnia wieku: 7,5 ± 4,6 lat). Zastosowano trzy sekwencje MRI, które są standardowo wykorzystywane w ocenie zmian płucnych w CF:
- BLADE: sekwencja T2-weighted, redukująca artefakty ruchowe.
- VIBE: sekwencja T1-weighted po podaniu kontrastu, zapewniająca wysoką rozdzielczość przestrzenną.
- HASTE: sekwencja T2-weighted, umożliwiająca szybkie obrazowanie bez konieczności podania kontrastu.
Segmentację przeprowadzono za pomocą frameworku nnU-Net, który automatycznie dostosowuje parametry sieci do danych, eliminując potrzebę ręcznego dostrajania. Model przeszkolono na 40 przypadkach dla każdej sekwencji, a następnie przetestowano na 15 przypadkach. Wyniki oceniano przy użyciu współczynnika Sørensen-Dice (DSC), korelacji Pearsona oraz oceny jakości segmentacji przez doświadczonych radiologów.
Model nnU-Net osiągnął wysoką skuteczność segmentacji we wszystkich trzech sekwencjach MRI:
- BLADE: średni współczynnik Dice wyniósł 0,96 (±0,05).
- VIBE: średni współczynnik Dice wyniósł 0,96 (±0,04).
- HASTE: średni współczynnik Dice wyniósł 0,95 (±0,05).
Segmentacja była spójna niezależnie od wieku pacjenta, rozmiaru płuc czy nasilenia choroby. W przypadku walidacji na zewnętrznym zestawie danych obejmującym 9 niemowląt (wiek 2–24 miesiące), model osiągnął średni współczynnik Dice 0,85 (±0,03). Główne trudności napotkano podczas segmentacji obszarów przepony i obszarów grzbietowych, gdzie artefakty ruchowe wpływały na jakość obrazu.
Uzyskane wyniki potwierdzają, że nnU-Net jest skutecznym narzędziem do automatycznego segmentowania struktur płuc u dzieci z mukowiscydozą. Model wykazał wysoką ogólną wydajność, porównywalną z wynikami uzyskiwanymi w badaniach segmentacji płuc na podstawie tomografii komputerowej. Mimo to, pewne obszary wymagały ręcznych poprawek, co sugeruje możliwość dalszej poprawy modelu poprzez zwiększenie liczby danych treningowych oraz uwzględnienie dodatkowych artefaktów związanych z ruchami oddechowymi.
Artykuł został opublikowany w czasopiśmie Frontiers in Medicine w dniu 12 listopada 2024 roku, w sekcji Pulmonary Medicine.
DOI: https://doi.org/10.3389/fmed.2024.1401473
