Segmentación automática basada en aprendizaje profundo de la glándula parótida en imágenes de tomografía computarizada

Este estudio tiene como objetivo desarrollar un algoritmo para la segmentación automática de la glándula parótida en imágenes de TC de la cabeza y el cuello utilizando la arquitectura U-Net y evaluar el rendimiento del modelo. En este estudio retrospectivo, un total de 30 volúmenes de TC anonimizados de la cabeza y el cuello fueron segmentados en 931 imágenes axiales de las glándulas parótidas. La etiquetación de verdad de terreno se realizó con la herramienta de anotación CranioCatch (CranioCatch, Eskişehir, Turquía) por dos radiólogos orales y maxilofaciales. Las imágenes se redimensionaron a 512 × 512 y se dividieron en subgrupos de entrenamiento (80%), validación (10%) y prueba (10%). Se desarrolló un modelo de red neuronal convolucional profunda utilizando la arquitectura U-net. El rendimiento de segmentación automática se evaluó en términos de F1-score, precisión, sensibilidad y estadísticas de Área Bajo la Curva (AUC). El umbral para una segmentación exitosa se determinó por la intersección de más del 50% de los píxeles con la verdad de terreno. Se encontró que el F1-score, precisión y sensibilidad del modelo de IA al segmentar las glándulas parótidas en las secciones de TC axiales eran 1. El valor de AUC fue 0.96. Este estudio ha demostrado que es posible utilizar modelos de IA basados en aprendizaje profundo para segmentar automáticamente la glándula parótida en imágenes de TC axiales.