Modelos de segmentación vertebral y pélvica en imágenes de resonancia magnética abdominales

La segmentación médica automatizada se ha convertido en una herramienta esencial en el diagnóstico y seguimiento de enfermedades, permitiendo la delimitación precisa de estructuras anatómicas en imágenes médicas. Tradicionalmente, esta tarea se realizaba manualmente, lo que consumía tiempo y estaba sujeta a variabilidad entre observadores. Con el avance de la inteligencia artificial, especialmente mediante redes neuronales convolucionales como la U-net, es posible automatizar este proceso, mejorando la eficiencia y consistencia en aplicaciones clínicas como la planificación quirúrgica y el análisis cuantitativo de tejidos. Este trabajo se centra en la segmentación de la región lumbar y pélvica en imágenes de resonancia magnética (RM), un área de gran relevancia clínica debido a su asociación con patologías como la obesidad y la sarcopenia. La técnica de RM, en particular la secuencia Dixon, ofrece ventajas significativas sobre otras modalidades de imagen, como la ausencia de radiación ionizante y una mejor diferenciación de tejidos blandos. El estudio desarrolla dos modelos basados en la arquitectura U-net: uno en 2D para la segmentación de cuerpos vertebrales y otro en 3D que incluye estructuras adicionales como apófisis, discos intervertebrales y palas ilíacas. El objetivo principal es proporcionar herramientas robustas para la cuantificación automática de tejidos en la región L3-L5, tanto para la visualización e integración en herramientas de segmentación automática, como para la extracción de las alturas vertebrales; reduciendo así, la dependencia de la segmentación manual. Los modelos se entrenaron con bases de datos específicas, extraídas de estudios clínicos, y se optimizaron para garantizar precisión y generalización. Este trabajo no solo contribuye al campo de la segmentación médica, sino que también sienta las bases para futuras mejoras en la automatización de diagnósticos y seguimientos terapéuticos.

Automated medical segmentation has become an essential tool in disease diagnosis and monitoring, enabling precise delineation of anatomical structures in medical imaging. Traditionally, this task was performed manually, which was time-consuming and subject to inter-observer variability. With advances in artificial intelligence, particularly through convolutional neural networks like U-net, it is now possible to automate this process, improving efficiency and consistency in clinical applications such as surgical planning and quantitative tissue analysis. This work focuses on segmentation of the lumbar and pelvic regions in magnetic resonance imaging (MRI), an area of significant clinical relevance due to its association with pathologies such as obesity and sarcopenia. MRI techniques, particularly the Dixon sequence, offer significant advantages over other imaging modalities, including the absence of ionizing radiation and better soft tissue differentiation. The study develops two models based on the U-net architecture: a 2D model for vertebral body segmentation and a 3D model that includes additional structures such as vertebral processes, intervertebral discs, and iliac blades. The main objective is to provide robust tools for automatic tissue quantification in the L3-L5 region, both for visualization and integration into automated segmentation tools, as well as for extracting vertebral heights; thereby reducing dependence on manual segmentation. The models were trained with specific databases extracted from clinical studies and optimized to ensure accuracy and generalizability. This work not only contributes to the field of medical segmentation but also lays the foundation for future improvements in automated diagnostics and therapeutic monitoring.