Desarrollo de una plataforma de entrenamiento y segmentación de imágenes médicas con Monai

Las imágenes médicas desempeñan un papel fundamental en el diagnóstico y seguimiento de enfermedades, permitiendo a los profesionales de la salud obtener información detallada sobre la anatomía y fisiología de los pacientes. Entre las principales técnicas de adquisición se encuentran la tomografía computarizada (TC), la ecografía y la resonancia magnética (RM), siendo esta última ampliamente utilizada para evaluar estructuras anatómicas en diferentes especialidades médicas. Sin embargo, el creciente volumen de datos de imagen ha generado la necesidad de herramientas automatizadas que faciliten su interpretación, optimizando el tiempo de los especialistas y mejorando la precisión de los análisis. En este contexto, la segmentación de imágenes médicas se ha convertido en un proceso clave para la extracción de estructuras de interés en aplicaciones clínicas y de investigación. No obstante, el entrenamiento de modelos de inteligencia artificial (IA) para esta tarea requiere una infraestructura de cómputo avanzada, así como conocimientos especializados en aprendizaje profundo. Para abordar estos desafíos, este trabajo tiene como objetivo desarrollar una plataforma basada en MONAI (Medical Open Network for AI) que permita a los investigadores entrenar modelos de segmentación en imágenes de RM y ejecutar dichos modelos para realizar segmentaciones automáticas. Esta plataforma servirá como un entorno centralizado y personalizable que facilite el entrenamiento y el despliegue de modelos, con un enfoque en la escalabilidad y la colaboración. Al proporcionar una solución integral, permitirá a equipos de investigación y profesionales de radiología acceder a técnicas avanzadas de segmentación sin la necesidad de una configuración compleja, promoviendo el uso de la inteligencia artificial en entornos clínicos.

Medical imaging plays a fundamental role in the diagnosis and monitoring of diseases, allowing healthcare professionals to obtain detailed information about patients’ anatomy and physiology. Among the main acquisition techniques are computed tomography (CT), ultrasound, and magnetic resonance imaging (MRI), with the latter being widely used to assess anatomical structures across various medical specialties. However, the increasing volume of imaging data has created a growing need for automated tools to aid in interpretation, optimizing specialists' time and improving analysis accuracy. In this context, medical image segmentation has become a key process for extracting structures of interest in both clinical and research applications. Nonetheless, training artificial intelligence (AI) models for this task requires advanced computational infrastructure as well as specialized knowledge in deep learning. To address these challenges, this work aims to develop a platform based on MONAI (Medical Open Network for AI) that enables researchers to train segmentation models on MRI images and deploy them for automatic segmentation. This platform will serve as a centralized and customizable environment to facilitate the training and deployment of models, with a focus on scalability and collaboration. By providing an integrated solution, it will allow research teams and radiology professionals to access advanced segmentation techniques without the need for complex configurations, promoting the use of artificial intelligence in clinical settings.