Segmentación semántica automática hepática y renal en la poliquistosis renal autosómica dominante mediante nnU-Net V2

Resumen

Antecedentes

La enfermedad poliquística renal autosómica dominante (ADPKD) requiere una evaluación volumétrica precisa de las estructuras hepáticas y renales para la evaluación de la enfermedad y el control de la respuesta terapéutica. La segmentación manual, aunque precisa, es un proceso que requiere mucho tiempo y está sujeto a variabilidad intra- e interobservador.

Objetivos

Desarrollar y validar 2 modelos de segmentación automática hepática y renal basados en nnU-Net V2, evaluando su precisión frente a segmentaciones manuales de referencia mediante métricas estándar (Dice, distancia de Hausdorff [HD95] y error relativo de volumen [RVE]) en un conjunto de test independiente.

Material y métodos

Se entrenaron 2 modelos independientes (renal y hepático) basados en nnU-Net V2 con imágenes de resonancia magnética ponderadas en T2 de 274 estudios, y se validaron en 12 casos independientes. Se empleó el entrenador 2 D estándar, con preprocesamiento automático, validación cruzada de 5 particiones y combinación por soft voting. Las métricas incluyeron el coeficiente de Dice, la HD95 y el RVE.

Resultados

El modelo renal obtuvo un Dice medio de 0,952, HD95 de 6,3 mm y RVE del 1,4%. El modelo hepático alcanzó un Dice medio de 0,947, HD95 de 7,7 mm y RVE del 4,3%. Los volúmenes predichos mostraron una alta concordancia con las segmentaciones manuales en todos los casos del conjunto de prueba.

Conclusiones

La segmentación automática hepatorrenal mediante nnU-Net V2 ofrece una alta precisión y reproducibilidad en los pacientes con ADPKD. La integración del modelo en 3 D Slicer es sencilla y directa: la plataforma incorpora de forma nativa el módulo nnU-Net, de modo que basta con especificar la ruta local de los pesos entrenados para realizar inferencias automáticas sobre nuevos estudios.

Abstract

Background

Autosomal dominant polycystic kidney disease (ADPKD) requires precise volumetric assessment of hepatic and renal structures for disease staging and monitoring of treatment response. Manual segmentation, although precise, is a time-consuming process and is subject to intra- and interobserver variability.

Objectives

To develop and validate two automated hepatic and renal segmentation models based on nnU-Net V2, evaluating their accuracy against manual reference segmentations using standard metrics (Dice, HD95, and RVE) on an independent test set.

Materials and methods

Two nnU-Net V2 models (hepatic and renal) were trained on 274 T2-weighted MRI studies and validated in 12 independent test cases. The 2 D trainer was selected and automated preprocessing, 5-fold cross-validation, and ensemble soft voting were applied. Performance metrics included the Dice coefficient, Hausdorff distance (HD95) and relative volume error (RVE).

Results

The renal model achieved a mean Dice of 0.952, HD95 of 6.3 mm and RVE of 1.4%. The hepatic model achieved a mean Dice of 0.947, HD95 of 7.7 mm and RVE of 4.3%. Volumes predicted by nnU-Net V2 were highly concordant with manual ground truth across all test cases.

Conclusion

Automated segmentation of the liver and kidneys using nnU-Net V2 offers high accuracy and reproducibility in patients with ADPKD. Integration of the model into 3 D Slicer is simple and straightforward: the platform natively incorporates the nnU-Net module, so it is sufficient to specify the local path of the trained weights to perform automated inference on new studies.