BCN MedTech presenta un mètode automàtic per detectar i segmentar la cavitat intrauterina basat en aprenentatge profund
BCN MedTech presenta un mètode automàtic per detectar i segmentar la cavitat intrauterina basat en aprenentatge profund
BCN MedTech presenta un mètode automàtic per detectar i segmentar la cavitat intrauterina basat en aprenentatge profund
En un estudi dirigit per Miguel Àngel González Ballester, professor d'investigació ICREA del DTIC amb col·laboració d'Eduard Gratacós i Elisenda Eixarch, investigadors del centre BCNatal-Barcelona Center for Maternal-Fetal and Neonatal Medicine (Hospital Clínic i Hospital Sant Joan de Déu), IDIBAPS.
La síndrome de transfusió feto-fetal (TTTS, de les seves sigles en anglès) es presenta en al voltant d’un 10-15% dels embarassos de bessons que comparteixen la mateixa placenta. Normalment, aquesta síndrome apareix abans de les 24 setmanes de gestació a causa de comunicacions vasculars anormals situades a la superfície de la placenta. Com a resultat, la circulació sanguínia no és equilibrada entre els dos bessons, disminuint dràsticament el seu índex de supervivència.
La coagulació fetoscòpica amb làser és el tractament més eficaç per a aquesta síndrome, i consisteix en tancar les connexions anormals vasculars situades a la superfície de la placenta per separar completament les circulacions sanguínies dels dos bessons, per tant evitar les complicacions relacionades amb el flux sanguini desequilibrat, com son la mort per sobrecarrega cardíaca, el part prematur o l’avortament.
Planificar el millor punt d’inserció abans de l’operació requereix una bona comprensió de l’anatomia del pacient
La maniobrabilitat del fetoscopi inserit a través de la paret uterina de la mare i la possibilitat de cremar tots els vasos a tancar depèn de la selecció adequada del punt d’entrada del fetoscopi a la superfície de la cavitat intrauterina. Planificar el millor punt d’inserció abans de l’operació requereix una bona comprensió de l’anatomia del pacient, la qual cosa es pot aconseguir utilitzant una representació virtual de l’úter de la mare, basant-se en imatges de ressonància magnètica.
Un treball que ha estat recentment publicat en edició avançada en línia a la revista IEEE Transactions on Medical Imaging, presenta el primer mètode automàtic per detectar i segmentar la cavitat intrauterina a través de les tres vistes (axial, sagital i coronal) de la ressonància magnètica mitjançant tècniques d’intel·ligència artificial i aprenentatge profund.
Un treball dirigit per Miguel Àngel González Ballester, professor d'investigació ICREA del Departament de Tecnologies de la Informació i les Comunicacions (DTIC) de la UPF, amb Jordina Torrents-Barrena, primera autora de l'estudi, Gemma Piella i Mario Ceresa, membres de la Unitat BCN MedTech de la UPF. Eduard Gratacós i Elisenda Eixarch, membres de Fetal i+D Fetal Medicine Research Center, BCNatal-Barcelona Center for Maternal-Fetal and Neonatal Medicine (Hospital Clínic and Hospital Sant Joan de Déu), IDIBAPS, són coautors de l'estudi i responsables clínics del treball.
Un nou mètode fonamentat en un marc d'aprenentatge profund per reforç que utilitza el concepte de xarxes de càpsules per delimitar la localització de l’úter
"La metodologia presentada utilitza xarxes neuronals basades en el nou paradigma de càpsules per capturar amb èxit la interdependència de les anatomies presents a la ressonància magnètica, particularment per a instàncies (anatomies) exclusives o úniques (per exemple, cavitat intrauterina i/o placenta)", explica Jordina Torrents-Barrena, primera autora del treball.
"El mètode dissenyat es fonamenta en un marc d'aprenentatge profund per reforç que utilitza càpsules per delimitar la localització de l’úter. Posteriorment, s’implementa una altra arquitectura neuronal de càpsules per segmentar (o refinar) tota la cavitat intrauterina", afegeix Torrents-Barrena. Aquesta última xarxa codifica les característiques més discriminatòries i robustes en la imatge.
El mètode proposat s’avalua mitjançant 13 mesures de rendiment i també es compara amb 15 xarxes neuronals que ja han estat publicades anteriorment a la literatura. "El nostre mètode d’intel·ligència artificial ha estat entrenat amb imatges de ressonància magnètica provinents de 71 embarassos", afirma Torrents-Barrena.
“Disposar d’una representació tridimensional ens permet avaluar diferents punts d’entrada i triar aquell que ens permet tenir la millor visibilitat de tots els vasos placentaris amb el menor moviment”, comenta Elisenda Eixarch, coautora de l'estudi. “Sens dubte, l’aplicació d’aquesta tecnologia ens permetrà avançar cap a una cirurgia més precisa i segura”, afegeix.
De mitjana la metodologia presentada obté un rendiment de segmentació superior al 91% per a totes les proves i comparatives, posant de manifest el potencial d’aquest enfocament per ser utilitzat en la pràctica clínica diària com a mètode de planificació quirúrgica.
Treball de referència:
Jordina Torrents-Barrena, Gemma Piella, Eduard Gratacós, Elisenda Eixarch, Mario Ceresa, Miguel Ángel González Ballester (2020), "Deep Q-CapsNet Reinforcement Learning Framework for Intrauterine Cavity Segmentation in TTTS Fetal Surgery Planning", edició avançada en línia del 14 d'abril, DOI: 10.1109/TMI.2020.2987981