Resumen

La segmentación automática de huesos a partir de una radiografía de tórax es una tarea importante y desafiante en el análisis de imágenes médicas. Sin embargo, una radiografía de tórax contiene numerosos artefactos y sombras de tejido, como la tráquea, los vasos sanguíneos y las venas pulmonares, que limitan la precisión de los métodos de segmentación tradicionales, como las técnicas de umbralización y de contorno. El aprendizaje profundo ha logrado recientemente una excelente segmentación de algunos órganos, como el páncreas y el hipocampo. Sin embargo, la insuficiencia de conjuntos de datos anotados impide la segmentación de clavículas y costillas a partir de radiografías de tórax. Hemos construido un conjunto de datos de radiografías de tórax con una radiografía de tórax sin procesar y cuatro imágenes anotadas que muestran las clavículas, las costillas anteriores, las costillas posteriores y todos los huesos (el conjunto completo de costillas y clavícula). Sobre la base de un conjunto de datos suficiente, se propone una red U-Net de conexión densa multitarea (MDU-Net) para abordar el reto de la segmentación ósea a partir de una radiografía de tórax. Primero combinamos el método de fusión de características multiescala U-Net, la conexión densa DenseNet y el mecanismo multitarea para construir la red propuesta denominada MDU-Net. A continuación, presentamos un mecanismo de codificación de máscaras que puede obligar a la red a aprender las características del fondo. Por último, se introduce el aprendizaje por transferencia para ayudar a la red a extraer características suficientes. Evaluamos la red propuesta mediante validación cruzada cuádruple con 88 imágenes de radiografía de tórax. El método propuesto alcanza unos valores medios de DSC (coeficiente de similitud de Dice) del 93,78%, 80,95%, 89,06% y 88,38% en la segmentación de la clavícula, la segmentación de la costilla anterior, la segmentación de la costilla posterior y la segmentación de todos los huesos, respectivamente.

• Materias:Inteligencia artificial Big Data Registros médicos electrónicos Acelerómetros Antecedentes teóricos
• Subjects:Artificial intelligence Big Data Electronic medical records Accelerometers Theoretical background
• Palabras claves:radiografía de tórax, red, tórax X, método de fusión de características multiescala de red, segmentación automática de huesos, segmentación de costillas anteriores, imágenes de radiografía de tórax, conexión densa U, validación cruzada cuádruple, mecanismo de codificación de máscaras.
• Keywords:chest radiograph, network, chest X, Net multiscale feature fusion method, Automatic bone segmentation, anterior rib segmentation, chest radiography images, dense connection U, fourfold cross validation, mask encoding mechanism