CGFLRVE: Estimación del volumen futuro del remanente hepático guiada por el contexto mediante modelos de inteligencia artificial

• CentraleSupeléc (Francia)

• Clínica Santa María (Chile)

• CONICET (Argentina)

• Equipo-proyecto OPIS, Centro Inria de Saclay, Inria (Francia)

• LITIS Lab (Francia)

• Universidad de Los Andes (Chile)

• Universidad de Santiago (USACH) (Chile)

La segmentación hepática automática es una tarea esencial en el contexto médico. Los modelos actuales basados ​​en IA se centran en la segmentación hepática y tumoral, lo cual no es suficiente para la planificación quirúrgica, especialmente en el caso de las metástasis hepáticas. Un método automático de segmentación hepática y tumoral puede aliviar considerablemente la carga de trabajo de los médicos al examinar imágenes de TC. Sin embargo, para la cirugía, se requiere una tarea más compleja. En este contexto, es crucial estimar con precisión el volumen hepático remanente tras la resección, por ejemplo, en pacientes con metástasis hepáticas. Estimar el futuro remanente hepático es una tarea compleja, ya que el tipo de cirugía a realizar depende del contexto clínico de cada paciente, la experiencia del centro, el número y la ubicación de las lesiones hepáticas, entre otros factores. Esto significa que la futura segmentación del remanente hepático depende del contexto clínico del paciente. Por lo tanto, el objetivo de este proyecto es diseñar, implementar y evaluar una segmentación hepática de grano fino, guiada por el contexto, que nos permita estimar con precisión el volumen hepático remanente. Nuestro trabajo se basa en cinco objetivos: (1) evaluar los modelos de segmentación hepática SOTA, incluyendo la arquitectura HybridGNet, publicada recientemente; (2) diseñar y evaluar modelos de segmentación hepática de grano fino, considerando modelos como SAM e HybridGNet; (3) estimar el volumen hepático remanente utilizando el modelo de segmentación hepática de grano fino; (4) integrar información contextual mediante indicaciones para la segmentación hepática. Finalmente, presentamos los resultados en conjuntos de datos públicos y privados. En el caso privado, colaboramos con un centro de salud local, que nos proporciona acceso a los datos. Para lograr los objetivos propuestos, hemos formado un equipo multidisciplinario que incluye médicos especialistas en radiología y expertos en visión artificial aplicada a imágenes médicas.

En Francia: 

• Fannia Pacheco, investigadora, coordinadora del proyecto CGFLRVE, LITIS Lab

• Caroline Petitjean, investigadora, coordinadora del proyecto CGFLRVE, LITIS Lab

• Maria Vakalopoulou, investigadora, coordinadora del proyecto CGFLRVE, equipo-proyecto OPIS, Centro Inria de Saclay, Inria

En Chile: 

• Violeta Chang, investigadora, coordinadora del proyecto CGFLRVE, Universidad de Santiago

• Héctor Henríquez, investigador, coordinador del proyecto CGFLRVE, Clínica Santa María

• José Saavedra, investigador, coordinador del proyecto CGFLRVE, Universidad de Los Andes

• Aline Xavier, investigadora, Universidad de Santiago

En Argentina: 

• Enzo Ferrante, Enzo, investigador, coordinador del proyecto CGFLRVE, CONICET