Segmentazione del tessuto fibroghiandolare nella risonanza magnetica mammaria utilizzando trasformatori di visione: un multi

Rapporti scientifici volume 13, numero articolo: 14207 (2023) Citare questo articolo

Dettagli sulle metriche

La segmentazione accurata e automatica del tessuto fibroghiandolare nello screening MRI del seno è essenziale per la quantificazione della densità del seno e l'aumento del parenchima di fondo. In questo studio retrospettivo, abbiamo sviluppato e valutato una rete neurale basata su trasformatore per la segmentazione del seno (TraBS) in dati MRI multi-istituzionali e abbiamo confrontato le sue prestazioni con la consolidata rete neurale convoluzionale nnUNet. TraBS e nnUNet sono stati addestrati e testati su 200 esami MRI del seno interni e 40 esterni utilizzando segmentazioni manuali generate da lettori umani esperti. Le prestazioni di segmentazione sono state valutate in termini di punteggio Dice e distanza media della superficie simmetrica. Il punteggio Dice per nnUNet era inferiore a quello di TraBS nel testset interno (0,909 ± 0,069 contro 0,916 ± 0,067, P < 0,001) e nel testset esterno (0,824 ± 0,144 contro 0,864 ± 0,081, P = 0,004). Inoltre, la distanza media della superficie simmetrica era più alta (= peggiore) per nnUNet che per TraBS sul testset interno (0,657 ± 2,856 contro 0,548 ± 2,195, P = 0,001) e sul set di test esterno (0,727 ± 0,620 contro 0,584 ± 0,413, P = 0,03). Il nostro studio dimostra che le reti basate su trasformatori migliorano la qualità della segmentazione del tessuto fibroghiandolare nella risonanza magnetica mammaria rispetto ai modelli basati su convoluzioni come nnUNet. Questi risultati potrebbero aiutare a migliorare l’accuratezza della quantificazione della densità del seno e dell’aumento del parenchima nello screening MRI del seno.

Il cancro al seno è il tipo di tumore più frequente nella popolazione femminile e rappresenta la seconda causa di morte tra le donne negli Stati Uniti1. Nuove linee guida per lo screening del cancro al seno raccomandano l’uso della risonanza magnetica per le donne con tessuto mammario denso2,3. Sono già stati sviluppati strumenti basati sul deep learning per la valutazione della densità del seno sulla mammografia4, ma manca ancora una valutazione automatizzata coerente e affidabile della densità del seno – come rapporto tra tessuto fibroghiandolare (FGT) e volume del seno – sugli esami MRI. Oltre alla densità del seno, anche il potenziamento del parenchima di fondo (BPE), ovvero il potenziamento del tessuto fibroghiandolare, è emerso come un marcatore promettente per la diagnosi precoce del cancro al seno5,6, tuttavia manca anche una valutazione automatizzata affidabile del BPE. Lo sviluppo di un algoritmo di apprendimento automatico in grado di segmentare la FGT è un primo passo importante verso una quantificazione automatica della densità del seno e del BPE negli esami MRI del seno.

Diversi studi di ricerca hanno studiato questo problema addestrando le reti neurali convoluzionali (CNN) su esami MRI del seno segmentati manualmente e valutando le loro prestazioni su set di test a centro singolo7,8,9. L’elevato livello di concordanza tra le mappe di segmentazione generate dall’uomo e dalle macchine in tutte queste pubblicazioni dimostra il potenziale delle CNN. Tuttavia, esiste un importante ostacolo all’introduzione diffusa di tali algoritmi: gli esami MRI non sono standardizzati. Diversi centri clinici utilizzano diversi protocolli e sequenze MRI per la diagnosi del cancro al seno. Nessuno degli studi che abbiamo trovato ha testato la propria architettura della CNN su dati indipendenti che non appartenessero all’istituzione in cui sono stati sviluppati gli algoritmi.

Inoltre, lo sviluppo di modelli robusti per la segmentazione della risonanza magnetica mammaria è impegnativo, soprattutto in presenza di lesioni, cicatrici chirurgiche e protesi mammarie10,11. La valutazione dei modelli di segmentazione per la risonanza magnetica mammaria nel contesto di tali potenziali fattori confondenti ha ricevuto poca attenzione. Studi precedenti hanno escluso le protesi mammarie12,13 o hanno riconosciuto la difficoltà di distinguere accuratamente tra FGT sana e patologica14.

I modelli basati su trasformatori hanno dimostrato di essere più robusti, generalizzabili e a prova di attacco rispetto alle CNN in altre applicazioni di analisi delle immagini mediche15,16. Hanno raggiunto risultati all'avanguardia per l'elaborazione del linguaggio naturale17,18, principalmente grazie alla loro capacità di gestire dipendenze a lungo termine e alla pre-formazione autocontrollata per i compiti a valle.