Detección automática de estructuras de la vía aérea en imágenes de broncoscopia mediante técnicas de aprendizaje profundo

Abstract

La broncoscopia es una técnica endoscópica muy utilizada durante la práctica clínica que permite visualizar las vías del sistema respiratorio y acceder físicamente al árbol bronquial con múltiples fines clínicos o diagnósticos. La responsabilidad de localizar la sonda del broncoscopio durante la intervención recae únicamente en el neumólogo que realiza la prueba, dependiendo exclusivamente de su conocimiento y experiencia, si bien existen algunos métodos de imagen tradicionales basados en radiación ionizante que ayudan en esta tarea. Actualmente se encuentran en desarrollo diversos métodos para localizar la sonda del broncoscopio durante la intervención sin efectos secundarios y de altas prestaciones, entre los que destacan la broncoscopia asistida robóticamente, la broncoscopia por navegación electromagnética y la asistencia mediante algoritmos de inteligencia artificial. Sin embargo, estos métodos todavía no se han establecido en la práctica clínica. El presente trabajo se ha desarrollado bajo la hipótesis de que es posible localizar la sonda de broncoscopia a partir únicamente de imágenes de broncoscopia segmentadas, inexplorado hasta el momento por la comunidad científica. El objetivo general del estudio consistió en diseñar y validar un modelo predictivo capaz de detectar y segmentar automáticamente las estructuras naturales de la vía aérea hasta la primera bifurcación (bronquio izquierdo, LB; bronquio derecho, RB; carina traqueal, CT). Para conseguirlo se han establecido varios objetivos específicos, entre los que destacan (i) la evaluación de distintas arquitecturas y algoritmos de DL para determinar cuál alcanza el mayor rendimiento predictivo en esta tarea y (ii) la creación de un sistema de localización de la sonda del broncoscopio basado en imágenes segmentadas de broncoscopia. Para este trabajo se recopilaron un total de 35 vídeos de manera prospectiva en el Hospital Universitario Río Hortega, de pacientes sin alteraciones anatómicas relevantes de las vías respiratorias. Estos vídeos se han dividido en una proporción de 55%-45% entre conjunto de entrenamiento (19) y test (16), con una contribución media de 245 imágenes por paciente. Posteriormente, los vídeos fueron preprocesados y etiquetados manualmente creando un dataset de las imágenes y sus respectivas etiquetas, que cuenta con 8591 imágenes; 4787 imágenes para el conjunto de entrenamiento y 4164 para el conjunto de test. Gracias al framework nnU-Net se han creado y comparado dos arquitecturas distintas, Plain U-Net y ResEnc U-Net, basadas en la U-Net original. Finalmente, se ha creado un sistema de localización a partir del cual, por medio de la identificación de las etiquetas presentes en una imagen segmentada, se le asocia una localización específica dentro del árbol bronquial. Para evaluar los resultados de las arquitecturas de segmentación se han empleado varias métricas. Las más relevantes son la Intersection over Union (IoU) y el Dice Similarity Coefficient (DSC) promedios. La arquitectura Plain U-Net alcanzó valores de 0.69 para el IoU (0.72 LB, 0.73 RB, 0.62 CT) y de 0.814 para el DSC (0.84 LB, 0.84 RB, 0.77 CT), mientras que la arquitectura ResEnc U-Net alcanzó un IoU de 0.674 (0.71 LB, 0.73 RB, 0.59 CT) y un DSC de 0.802 (0.83 LB, 0.84 RB, 0.74 CT). Estos resultados dotan a la primera arquitectura de un mayor poder de segmentación. En relación con la tarea de localización, la arquitectura Plain U-Net alcanzó una exactitud media del 83.67%, mientras que la arquitectura ResEnc U-Net presentó una exactitud media del 91%, siendo esta última más apta para la tarea de localización. Mientras que la arquitectura Plain U-net mostró un mayor desempeño en la tarea de segmentación, la ResEnc U-Net resultó de mayor eficacia para la tarea de localización de la sonda, dotando a la herramienta de un mayor compromiso entre la precisión morfológica y la aplicabilidad clínica. Se ha creado el primer dataset de imágenes de broncoscopia segmentadas. A partir de este dataset se han creado dos herramientas de segmentación automática de imágenes de broncoscopia. Los resultados obtenidos sugieren que la localización de la sonda de broncoscopia mediante imágenes segmentadas representa una alternativa viable frente a otros métodos ampliamente consolidados, aportando ventajas en términos de rapidez, complejidad y coste.