MediSeg: Análisis Automatizado de nódulos Pulmonares con Imágenes 3D

Resumen

El proyecto MediSeg presenta un sistema automatizado e interactivo para la detección, segmentación y análisis de nódulos pulmonares a partir de tomografías computarizadas (TC) 3D, utilizando el conjunto de datos LIDC-IDRI. Desarrollado en Python, el sistema incluye una interfaz gráfica intuitiva para la selección de pacientes, exploración de cortes, aplicación de filtros, segmentación semiautomatizada y generación de visualizaciones 2D–3D, así como reportes clínicos en PDF. La segmentación se basa en un algoritmo de crecimiento de regiones, guiado por anotaciones expertas y refinado mediante operaciones morfológicas 3×3.

A diferencia de enfoques basados en aprendizaje profundo como U-Net, que requieren entrenamiento extenso y alto poder de cómputo, MediSeg prioriza la interpretabilidad y el procesamiento en tiempo real, haciéndolo ideal para entornos educativos o con recursos limitados. Integra herramientas como vedo para visualización 3D, pyradiomics para extracción de características radiómicas y es compatible con ITK-Snap mediante salidas en formato NIfTI y CSV. Esto permite una localización anatómica dinámica con superposición del cuerpo humano y múltiples filtros (Gaussian, Sobel, Laplaciano, ecualización de histograma y Fourier).

El sistema incorpora un clasificador de bosque aleatorio para detección inicial y seguimiento multinódulo en cortes adyacentes. También permite evaluación en tiempo real de métricas como Dice, Jaccard, sensibilidad, especificidad, precisión, F1-score, SNR y CNR. Los resultados se muestran de forma interactiva para facilitar la interpretación inmediata.

La validación incluyó 20 pacientes (16 del grupo de entrenamiento y 4 externos), con más de 2000 imágenes (~100 por paciente). Se obtuvieron métricas promedio destacadas: 99.4 % en Dice, 99.0 % en Jaccard, 99.5 % de sensibilidad, 100 % de especificidad, y 99.3 % en F1-score. Una validación más reducida con 10 pacientes mostró una puntuación Dice de 0.997 y segmentaciones perfectas en varios casos.

Sin embargo, algunos casos complejos (e.g., 0049, 0044) presentaron sobresegmentación o bordes omitidos debido a bajo contraste o ruido adyacente, con un Dice de hasta 0.72. Estas limitaciones, asociadas a un umbral fijo de 0.05, motivan futuras mejoras con umbrales adaptativos y redes neuronales.

Aunque aún no se ha probado con usuarios finales ni implementado en aulas o clínicas, recibió retroalimentación de un experto académico que validó su potencial educativo. Su interfaz y visualización dinámica lo distinguen de plataformas estáticas, con aplicaciones prometedoras en enseñanza de imagenología biomédica.

La plataforma anonimiza los datos públicos y evita afirmaciones clínicas. En futuras versiones se planea incorporar funciones de accesibilidad y evaluación multiusuario para fomentar una adopción ética y equitativa.

MediSeg no se ha implementado en instituciones, no por limitaciones técnicas, sino porque aún está pendiente su evaluación más amplia. El uso de memoria (~100–200 MB/paciente) puede afectar el entrenamiento o renderizado en equipos limitados, pero esto depende del hardware del usuario y no impide su funcionalidad general.