Introduzione: Il ruolo critico della segmentazione del fegato nella radiologia moderna

La segmentazione del fegato da CT (tomografia computerizzata) e MRI (imaging di risonanza magnetica) è un compito fondamentale nell'analisi delle immagini mediche. La precisa definizione dei confini del fegato è essenziale per una vasta gamma di applicazioni cliniche: quantificare il volume del fegato per la pianificazione chirurgica, rilevare e caratterizzare le lesioni focali, monitorare la progressione delle malattie nelle condizioni epatiche croniche e guidare la terapia di radiazione avanzata.

L'importanza clinica della segmentazione del fegato accurata

La valutazione del ciclo di vita e la valutazione del ciclo di vita dei pazienti è molto più facile da raggiungere.

Sfide nella segmentazione del fegato

Nonostante decenni di ricerca, la segmentazione epatica rimane difficile a causa di diversi fattori intrinseci ed estrinseci:

  • Complessità anatomica:[ Il fegato ha una forma altamente variabile, con un lobo sottile sinistro, un lobo denso destro e spesso grandi variazioni tra i pazienti.
  • contrasto poro con strutture adiacenti:[ Il fegato condivide valori di intensità simili con lo stomaco, la milza e il pancreas su CT non potenziato, e su MRI T1‐ o T2-peso i confini possono essere offuscati. In assenza di contrasto endovenoso, queste interfacce sono particolarmente impegnative.
  • Mozione e respirazione artefatti:[ Il movimento respiratorio durante l'acquisizione della scansione provoca sfocatura e cattiva registrazione, in particolare nelle sequenze addominali. Anche con tecniche di tenuta respiratoria, il movimento di diaframma può spostare la posizione epatica tra fette.
  • Modifiche patologiche:[] La malattia afferma come cirrosi, infiltrazione di grasso, fibrosi, o tumori grandi distorcono l'anatomia normale, rendendo più difficile il rilevamento dei limiti.
  • L'eterogeneità all'interno del fegato:[] Le variazioni di miglioramento parenchimale durante diverse fasi di contrasto (arterial, portale venoso, ritardato) significano che un algoritmo di segmentazione deve gestire caratteristiche di immagine variabili.
  • Variabilità dell'annuncio:[] La segmentazione manuale dei radiologi mostra spesso notevoli differenze tra gli osservatori, rendendo difficile definire una verità di base per la formazione dei modelli supervisionati.

Queste sfide hanno stimolato lo sviluppo di sempre più sofisticate linee di elaborazione delle immagini che combinano estrazione avanzata delle caratteristiche, apprendimento delle macchine e vincoli di post-elaborazione.

Tecniche di elaborazione avanzata delle immagini

I flussi di lavoro di segmentazione epatica moderni in genere coinvolgono tre fasi: preprocessing, segmentazione (utilizzando metodi tradizionali o basati sull'apprendimento), e post-elaborazione. Mentre i primi approcci si basano sul rilevamento dei bordi, sulla crescita della regione o sulla registrazione basata sull'atlante, l'attuale stato-of-the-art è dominato da un apprendimento profondo.

Approcci basati su apprendimento profondo

Le reti neurali convoluzionali (CNN) hanno rivoluzionato la segmentazione automatica. A differenza dei metodi di funzionalità artigianali, le CNN imparano le rappresentazioni gerarchiche direttamente dai dati dell'immagine.

  • U‐Net e le sue varianti:[ U‐Net, originariamente progettato per la segmentazione delle immagini biomediche, utilizza una struttura di encoder‐decoder con connessioni a skip per preservare i dettagli spaziali.
  • nnU‐Net (no-new‐U‐Net): Questo framework adatta automaticamente l'architettura di rete, la preelaborazione e la formazione di iperparametri al dataset. Ha sempre raggiunto i migliori livelli nelle sfide di segmentazione medica, tra cui la sfida Liver Tumor Segmentation (LiTS) ed è ampiamente considerato una forte linea di base.
  • Modelli basati su Transformer:[] Negli ultimi anni l'integrazione dei trasformatori di visione (ViT) e dei trasformatori di Swin per segmentazione. Il Swin U‐Net, ad esempio, combina la struttura U‐Net con l'autoattenzione a finestra a scorrimento, catturando dipendenze a lungo raggio che potrebbero mancare CNNs.
  • Approcci Hybrid:[] Alcuni gasdotti utilizzano CNN per la segmentazione iniziale e poi applicano metodi basati su grafi o contorni attivi per la raffinatezza. Ad esempio, una rete di apprendimento profondo può produrre una mappa di probabilità che viene successivamente alimentata in un'evoluzione a livello impostato per garantire confini lisci.

La sfida LiTS e i repository pubblici come il Medical Segmentation Decathlon hanno fornito diversi dati multi-istituzionale. L'aumento dei dati (rotazione, scaling, deformazioni elastiche, cambiamenti di intensità) è fondamentale per migliorare la generalizzazione attraverso scanner e protocolli.

Fusione multi-pase e multi-modulare

Una TAC monofase o una scansione MRI spesso manca di contrasto sufficiente per separare in modo affidabile il fegato dai tessuti circostanti. L'imaging multifase - dove le scansioni sono acquisite in più punti di tempo di miglioramento del contrasto (non-contrasto, arterioso, portale venoso, ritardato) - fornisce informazioni complementari. Allo stesso modo, combinando CT e MRI (o diverse sequenze MRI come T1-peso, T2-peso, e DWI)

Le strategie di fusione avanzate integrano questi volumi multifase o multi-modali come canali di ingresso multipli ad un unico modello di apprendimento profondo. Ad esempio, una rete che impiega quattro canali (pre-contrasto, arterioso, portale venoso, e fasi CT ritardate) può imparare quale fase evidenzia il fegato migliore in ogni posizione spaziale.

Oltre alla semplice concatenazione, alcuni metodi utilizzano la fusione basata sull'attenzione che impara a pesare ogni modalità in modo adattativo. Ad esempio, un blocco di compressione e emozione può ricalibrare mappe delle caratteristiche da diverse fasi, sottolineando i più informativi, sopprimendo il rumore.

Rifiniture di post-procedimento

Anche la migliore segmentazione grezza di una rete neurale può contenere piccoli fori, confini irregolari o regioni positive false. Le fasi di post-elaborazione sono fondamentali per ottenere risultati clinicamente utilizzabili.

  • Campi casuali (CRF):[ Un CRF completamente collegato può lisciare la segmentazione mantenendo i bordi modellando relazioni di pixel a due modi.
  • Operazioni morfologiche:[ Operazioni semplici come riempimento foro, apertura e chiusura possono rimuovere le isole e contorni lisci. Questi sono veloci e spesso efficaci quando applicati dopo la soglia.
  • Rilevamento ad un atlante:[] Se il volume segmentato è registrato ad un atlante epatico, il risultato può essere limitato ad una forma anatomica plausibile. Questo è particolarmente utile quando la rete produce una segmentazione che si sporge eccessivamente nelle costole o nel diaframma.
  • Ensemble mediaaging:[] Combinando le previsioni da modelli multipli (ad esempio, architetture diverse o percorsi formativi) e prendendo un voto di maggioranza voxel-wise può migliorare la robustezza e ridurre la varianza.

Valutazione delle prestazioni di segmentazione

Per convalidare la precisione delle tecniche di segmentazione avanzate, diverse metriche sono standardmente riportate:

  • Dice Similità Coefficiente (DSC):[] Misure sovrapposizione tra segmentazione di verità predetta e di terra. I valori superiori a 0,95 sono considerati eccellenti per la segmentazione epatica.
  • Hausdorff Distance (HD): ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • Volume Overlap Error (VOE) e relativa Differenza del volume (RVD): Complemento DSC rivelando sistematico sovra- o sotto-valutazione.
  • Precisione, Richiamo e F1:[] Particolarmente utile quando si segmentano i tumori oltre al fegato intero.

La sfida di benchmarking su larga scala, come la sfida LiTS e la sfida di Liver e Liver Tumor Segmentation a MICCAI, offrono una valutazione standardizzata. I migliori modelli di performance ora raggiungono DSC medi di 0,96–0,98 sui set di dati CT e 0.93–0,96 sulla risonanza magnetica, che rappresentano un miglioramento drammatico rispetto ai metodi di appena cinque anni fa.

Impatto sui flussi di lavoro clinici

L'integrazione della segmentazione automatizzata avanzata nel software clinico ha vantaggi tangibili:

  • tempo di analisi ridotto:[[] La segmentazione del fegato manuale può richiedere 15-30 minuti per caso; i metodi automatizzati riducono questo a secondi, permettendo ai radiologi di concentrarsi sull'interpretazione piuttosto che sui contorni di disegno.
  • Consistenza migliorata:[] La segmentazione automatizzata elimina la variabilità dell'inter-observer, fornendo lo stesso risultato dallo stesso input indipendentemente dall'operatore.
  • Rilevamento avanzato di piccole lesioni:[[ La segmentazione epatica accurata fornisce una maschera che può essere utilizzata per escludere il parenchima normale, rendendo il rilevamento computer-aided di piccole metastasi più sensibili e riducendo i falsi positivi dalle strutture estraetiche.
  • Piante preoperatorio:[ Per il trapianto epatico da donatore vivente, è obbligatoria un'analisi volumetrica precisa dei fegati donatori. La segmentazione automatizzata consente anche la visualizzazione 3D dei piani di vasculatura e di resezione pianificata, migliorando i risultati chirurgici.
  • Quantificazione per gli studi clinici: Nelle prove farmaceutiche per la malattia del fegato grasso o la fibrosi epatica, la segmentazione automatizzata consente la quantificazione standardizzata dei biomarcatori di imaging (ad esempio, frazione di grasso del fegato da MRI-PDFF o rigidità da MR elastografia) attraverso più centri.

Molte soluzioni commerciali (ad esempio, Siemens Syngo.Via, GE AW Server, InstaRecon e offerte di terze parti di aziende come Perspectum e MEDIAN Technologies) ora incorporano segmentazione epatica basata su deep-learning. Tuttavia, molti radiologi utilizzano ancora algoritmi open-source o in-house per scopi di ricerca. La sfida rimane di integrare senza soluzione di continuità questi strumenti nel PACS clinico (Picture Storage e Communication Protocol).

Le direzioni future

Nonostante i notevoli progressi, diverse frontiere rimangono aperte:

  • Segmentazione a tempo pieno:[ Per procedure di intervento come la biopsia epatica percutanea o l'ablazione, segmentazione a tempo quasi reale che gli aggiornamenti durante l'inserimento dell'ago potrebbero migliorare l'obiettivo e la sicurezza.
  • Integrazione con navigazione chirurgica:[] Fusione della segmentazione epatica preoperatoria con ultrasuoni intraoperativi o immagini CT in grado di fornire sovrapposizioni di realtà aumentata per i chirurghi.
  • L'apprendimento basato sulle diverse popolazioni:[ La raccolta di dati di grandi e diversi istituti da più istituzioni è impegnativa a causa delle preoccupazioni sulla privacy. L'apprendimento federato consente di formare un modello condiviso tra gli ospedali senza trasferire dati grezzi.
  • Robustezza al cambio di dominio:[ I modelli formati su dati da un venditore o protocollo dello scanner spesso si degradano quando applicati ad un altro. Tecniche come l'adattamento di dominio, l'apprendimento contraffatto e la normalizzazione auto-superviso sono aree di ricerca attive per rendere i modelli di segmentazione più universalmente applicabili.
  • Spiegabilità e incertezza:[ In ambienti clinici, i radiologi devono fidarsi dell'output di segmentazione. Fornendo mappe di incertezza (ad esempio, il dropout di Monte Carlo o la variazione di ensemble) possono evidenziare le regioni incerte, sollecitando la revisione manuale.
  • Oltre all'intero fegato: Mentre la segmentazione integrale è ora molto accurata, segmentazione sub-segmento (sezioni di Chuinaud) e segmentazione del tumore simultaneo rimangono più impegnativi. Molti gruppi di ricerca si concentrano ora su modelli multi-task che segmentano congiuntamente il fegato, lesioni e territori vascolari.

Conclusioni

L'elaborazione avanzata delle immagini, in particolare l'apprendimento approfondito con la fusione di dati multi-fase e multi-modali, ha trasformato la segmentazione epatica da un'attività manuale ad alta intensità di lavoro in un processo rapido, riproducibile e altamente accurato.

Per ulteriori informazioni, consultare le seguenti risorse: