Segmentación automática de la Sustancia Negra cerebral y Núcleo Subtalámico a partir de imágenes 3D de resonancia magnética

Abstract

La Sustancia Negra y Núcleo Subtalámico son componentes vitales para el tratamiento delaEnfermedaddeParkinson(EP);noobstante,sondifícilesdeidentificarenimágenes de resonancia magnética (IRMs). La Sustancia Negra cerebral permite llevar un control del daño que ha ocasionado la EP. El Núcleo Subtalámico es central en tratamientos como ablaciones, Estimulación Cerebral Profunda (DBS) y Ultrasonido Focal de Alta Intensidad (HIFU) los cuales requieren de una localización precisa de este componente. Presentamos una herramienta que permite segmentar de forma autónoma la Sustancia NegrayelNúcleoSubtalámico,apartirdelanálisisdeimágenesderesonanciamagnética y la aplicación de técnicas de aprendizaje profundo. El módulo de aprendizaje profundo está fundamentado en la arquitectura transformers SETR (Segmentation Transformer) y fue entrenado a partir de un conjunto de datos con 3000 ejemplos de imágenes potenciadas en T2 con cortes a 1mm de distancia. El modelo recibe una IRM 3D y devuelveotraconelNúcleoSubtalámicoySustanciaNegrasegmentadayco-registradaa laimagenoriginal. Lapropuestabasadaentransformers(SETR)obtuvolasegmentación de los volúmenes de interés con un coeficiente DICE del 0,81 y AVD (Average Volume Distance) del 0,06. Se contrastó estos resultados con otras arquitecturas, tales como CLCI (Cross-Level fusion and Context Inference Network) y U-Net; sin embargo, estas arquitecturas no obtuvieron un desempeño a nivel de la arquitectura basada en SETR. El modelo basado en SETR brinda los mejores resultados y se acopla mejor a la tarea de segmentación del Núcleo Subtalámico y Sustancia Negra utilizando IRMs en 3D. La personalizacióndelaarquitecturabaseinfluyódemanerasignificativaenlasmétricasde AVD, F1 Score y coeficiente DICE. Se obtuvo una buena calidad en las segmentaciones en 3D, a pesar de utilizar IRMs entre 1.5 y 3T.