Modelo de aprendizaje nnU-Net logra mayor eficiencia en la segmentación miocárdica
Un estudio comparó dos modelos avanzados de aprendizaje profundo —nnU-Net y MA-SAM— para la segmentación automática del miocardio. Si bien ambos alcanzaron una calidad de segmentación comparable, nnU-Net demostró una eficiencia computacional notablemente superior: menor tiempo de entrenamiento y una inferencia 490 veces más rápida que la segmentación manual.
La caracterización del tejido miocárdico a través de mapas de T1 y T2 por resonancia magnética es una herramienta clave para la evaluación no invasiva de enfermedades cardiovasculares. La segmentación del miocardio —es decir, la delimitación precisa de las estructuras cardíacas en las imágenes— es el primer paso indispensable para extraer información cuantitativa sobre el tejido.
Sin embargo, estos estudios generan grandes conjuntos de datos que requieren tiempo considerable y experiencia clínica para su análisis. Frente a este desafío, la inteligencia artificial, y en particular el aprendizaje profundo (deep learning), surge como una solución prometedora para automatizar y acelerar este proceso.
Un nuevo artículo publicado en la revista NMR in Biomedicine evaluó dos arquitecturas de redes neuronales: nnU-Net, basada en redes convolucionales (CNN), y MA-SAM, basada en Transformers. Ambos modelos fueron entrenados y evaluados utilizando un conjunto de datos compuesto por 55 sujetos, incluyendo voluntarios sanos y pacientes con sospecha de enfermedad cardiovascular.
Los resultados mostraron que ambos modelos producen segmentaciones visualmente muy similares y de alta calidad respecto a la referencia manual, aunque con diferencias notables en eficiencia computacional. nnU-Net completó el entrenamiento en 5 horas frente a las 9 que requirió MA-SAM, y segmentó un mapa 3D completo en apenas 3,7 segundos, frente a los 76 segundos de su contraparte. Comparado con la segmentación manual —que toma aproximadamente media hora—, nnU-Net resultó 490 veces más rápido y MA-SAM, 23 veces más rápido.
"El trabajo buscó comparar frameworks ya existentes en la literatura, y se concluyó que tanto redes convolucionales como transformers pueden obtener resultados similares en términos de calidad de segmentación. Sin embargo, los modelos basados en transformers continúan requiriendo un costo computacional considerablemente mayor", señaló Carlota Rivera, estudiante de doctorado de iHEALTH y una de las autoras del estudio.
Implicancias clínicas y próximos pasos
La investigadora también destacó el potencial clínico de estos resultados: "Mientras más rápido sea el análisis de las imágenes, mejor puede ser el flujo clínico. Automatizar este proceso podría acelerar la obtención de parámetros relevantes y, potencialmente, contribuir a un diagnóstico más rápido y eficiente".
Para que esta tecnología pueda implementarse en hospitales o centros médicos, será necesario validar los modelos en cohortes más amplias y diversas, y garantizar que los resultados sean robustos en distintos contextos clínicos.
Entre las líneas de investigación futura, el equipo considera evaluar el desempeño de estos modelos en resonancias de 0,55 T —este estudio se realizó a 1,5 T— y explorar métodos de aprendizaje semisupervisado, que permitirían entrenar modelos sólidos con una menor cantidad de segmentaciones manuales, reduciendo el tiempo y esfuerzo requeridos para generar datos de entrenamiento.
Rivera GC, Hua A, Botnar RM, Prieto C. Deep Learning Myocardial Segmentation in 3D Whole-Heart Joint T1/T2 Mapping: Comparison of nnU-Net and MA-SAM. NMR Biomed. 2026 Apr;39(4):e70252. doi: 10.1002/nbm.70252. PMID: 41790043.
