Segmentação de tecido fibroglandular em ressonância magnética de mama usando transformadores de visão: uma solução multi

Scientific Reports volume 13, Artigo número: 14207 (2023) Citar este artigo

Detalhes das métricas

A segmentação precisa e automática do tecido fibroglandular na triagem por ressonância magnética mamária é essencial para a quantificação da densidade mamária e do realce parenquimatoso de fundo. Neste estudo retrospectivo, desenvolvemos e avaliamos uma rede neural baseada em transformador para segmentação de mama (TraBS) em dados de ressonância magnética multi-institucionais e comparamos seu desempenho com a rede neural convolucional bem estabelecida nnUNet. TraBS e nnUNet foram treinados e testados em 200 exames internos e 40 externos de ressonância magnética de mama usando segmentações manuais geradas por leitores humanos experientes. O desempenho da segmentação foi avaliado em termos da pontuação Dice e da distância média da superfície simétrica. A pontuação Dice para nnUNet foi menor do que para TraBS no conjunto de teste interno (0,909 ± 0,069 versus 0,916 ± 0,067, P <0,001) e no conjunto de teste externo (0,824 ± 0,144 versus 0,864 ± 0,081, P = 0,004). Além disso, a distância média da superfície simétrica foi maior (= pior) para nnUNet do que para TraBS no conjunto de teste interno (0,657 ± 2,856 versus 0,548 ± 2,195, P = 0,001) e externo (0,727 ± 0,620 versus 0,584 ± 0,413, P = 0,03). Nosso estudo demonstra que as redes baseadas em transformadores melhoram a qualidade da segmentação do tecido fibroglandular na ressonância magnética da mama em comparação com modelos baseados em convolução como o nnUNet. Esses achados podem ajudar a aumentar a precisão da densidade mamária e da quantificação do realce parenquimatoso na triagem por ressonância magnética mamária.

O câncer de mama é o tipo de câncer mais frequente na população feminina e representa a segunda principal causa de morte nos Estados Unidos1 entre as mulheres. Novas diretrizes para rastreamento do câncer de mama recomendam o uso de ressonância magnética para mulheres com tecido mamário denso2,3. Ferramentas baseadas em aprendizagem profunda para a avaliação da densidade mamária na mamografia já foram desenvolvidas4, mas ainda falta uma avaliação automatizada consistente e confiável da densidade mamária – como a relação entre o tecido fibroglandular (FGT) e o volume mamário – em exames de ressonância magnética. Além da densidade mamária, o realce parenquimatoso de fundo (BPE) – o realce do tecido fibroglandular – também emergiu como um marcador promissor para a detecção precoce do câncer de mama5,6, no entanto, também falta uma avaliação automatizada confiável do BPE. O desenvolvimento de um algoritmo de aprendizado de máquina capaz de segmentar o FGT é um primeiro passo importante para uma quantificação automática da densidade mamária e do BPE em exames de ressonância magnética mamária.

Vários estudos investigaram esse problema treinando redes neurais convolucionais (CNNs) em exames de ressonância magnética de mama segmentados manualmente e avaliando seu desempenho em conjuntos de testes de centro único7,8,9. O alto nível de concordância entre mapas de segmentação gerados por humanos e por máquinas em todas essas publicações demonstra o potencial das CNNs. No entanto, existe um obstáculo importante à introdução generalizada de tais algoritmos: os exames de ressonância magnética não são padronizados. Diferentes centros clínicos utilizam diversos protocolos e sequências de ressonância magnética para o diagnóstico do câncer de mama. Nenhum dos estudos que encontramos testou sua arquitetura CNN em dados independentes que não pertenciam à instituição onde os algoritmos foram desenvolvidos.

Além disso, o desenvolvimento de modelos robustos para segmentação por RM de mama é um desafio, especialmente na presença de lesões, cicatrizes cirúrgicas e implantes mamários10,11. A avaliação de modelos de segmentação para ressonância magnética de mama no contexto de tais potenciais fatores de confusão tem recebido pouca atenção. Estudos anteriores excluíram os implantes mamários12,13 ou reconheceram a dificuldade de distinguir com precisão entre FGT saudável e patológico14.

Os modelos baseados em transformadores provaram ser mais robustos, generalizáveis ​​e à prova de ataques do que as CNNs em outras aplicações de análise de imagens médicas15,16. Eles alcançaram resultados de última geração para processamento de linguagem natural17,18, principalmente devido à sua capacidade de lidar com dependências de longo prazo e pré-treinamento auto-supervisionado para tarefas posteriores.