U-Net 3D de dos etapas en cascada para la segmentación hepática según Couinaud
Palabras clave:
segmentación hepática, Couinaud, deep learning, tomografía computada, U-Net 3DResumen
En este trabajo se propone un enfoque basado en aprendizaje profundo para la segmentación automática del hígado y de sus ocho segmentos anatómicos según la clasificación de Couinaud utilizando un esquema de aprendizaje en cascada. El enfoque propuesto descompone la tarea de segmentación en dos etapas secuenciales. En primer lugar, un modelo 3D U-Net binario identifica la región hepática dentro del volumen de CT abdominal. Posteriormente, un segundo modelo 3D U-Net realiza la segmentación multiclase de los segmentos de Couinaud utilizando como entrada la CT restringida a la región hepática previamente identificada. Al eliminar estructuras anatómicas irrelevantes del volumen de entrada del segundo modelo, la estrategia propuesta simplifica el problema de aprendizaje y permite que la red se concentre en los patrones anatómicos intrahepáticos. Esta restricción espacial reduce la variabilidad del contexto presente en las imágenes abdominales y favorece la especialización del modelo en la segmentación de las estructuras internas del hígado. El pipeline propuesto obtuvo un coeficiente Dice de 97.63 % e IoU de 95.39 % para la segmentación hepática, y un Dice de 81.56 % e IoU de 70.41 % para la segmentación de los segmentos de Couinaud en el conjunto de prueba.
Descargas
Referencias
Banchini, F., Capelli, P., Hasnaoui, A., Palmieri, G., Romboli, A., & Giuffrida, M. (2024). 3-d reconstruction in liver surgery: A systematic review. HPB, 26 (10), 1205–1215. https://doi.org/10.1016/j.hpb.2024.06.006
Centro de Computación de Alto Desempeño - Universidad Nacional de Córdoba. (2024). Centro de computación de alto desempeño [Accessed: 2026-06- 29]. https://ccad.unc.edu.ar/
Christ, P. F., Elshaer, M. E. A., Ettlinger, F., Tatavarty, S., Bickel, M., Bilic, P., Rempfler, M., Armbruster, M., Hofmann, F., Sommer, W., Ahmadi, S. A., & Menze, B. (2017). Automatic liver and tumor segmentation of CT and MRI volumes using cascaded fully convolutional neural networks. https://doi.org/10.48550/arXiv.1702.05970
Çiçek, Ö., Abdulkadir, A., Lienkamp, S. S., Brox, T., & Ronneberger, O. (2016). 3D U-Net: Learning dense volumetric segmentation from sparse annotation. Medical Image Computing and Computer-Assisted Intervention (MICCAI 2016), 424–432. https://doi.org/10.1007/978-3-319-46723-8_49
Lee, J., et al. (2026). Automatic liver couinaud segmentation from computed tomography scans with a gradient-enhanced hierarchical cascade deep learning network. Computerized Medical Imaging and Graphics, 118, 102481. https://doi.org/10.1016/j.compmedimag.2025.102481
Litjens, G., Kooi, T., Bejnordi, B. E., et al. (2017). A survey on deep learning in medical image analysis. Medical Image Analysis, 42, 60–88. https://doi.org/10.1016/j.media.2017.07.005
Liu, X., Song, L., Liu, S., & Zhang, Y. (2021). A review of deep-learning-based medical image segmentation methods. Sustainability, 13 (3), 1224. https://doi.org/10.3390/su13031224
López, A. E., Nari, G. A., Layun, J. L., Mariot, A. D., López, F. G., & Elías, M. E. D. (2022). Implementation of three-dimensional printed models in hepatic surgery. Revista Argentina de Cirugía, 114 (3), 262–268. https://revista.aac.org.ar/index.php/RevArgentCirug/article/view/563
Medical Segmentation Decathlon. (2018). Medical segmentation decathlon [Accessed: 2026-06-29]. https://medicaldecathlon.com/
Messaoudi, H., Abbas, M., Badic, B., Salem, D. B., Belaid, A., & Conze, P.-H. (2025). Automatic future remnant segmentation in liver resection planning. International Journal of Computer Assisted Radiology and Surgery, 20 (5), 837–845. https://doi.org/10.1007/s11548-025-03331-2
Rane, N., Choudhary, S. P., & Rane, J. (2024). Ensemble deep learning and machine learning: Applications, opportunities, challenges, and future directions. Studies in Medical and Health Sciences, 1 (2), 18–41. https://doi.org/10.48185/smhs.v1i2.1225
Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional networks for biomedical image segmentation. https://doi.org/10.48550/arXiv.1505.04597
Roth, H. R., Lu, L., Farag, A., Sohn, A., & Summers, R. M. (2018). Spatial aggregation of holistically-nested convolutional neural networks for automated pancreas segmentation. Medical Image Analysis, 45 (1), 94–107. https://doi.org/10.1016/j.media.2018.01.006
Singh, S. P., Wang, L., Gupta, S., et al. (2020). 3D deep learning on medical images: A review. Sensors, 20 (18), 5097. https://doi.org/10.3390/s20185097
Tian, J., Liu, L., Shi, Z., & Xu, F. (2019). Automatic couinaud segmentation from CT volumes on liver using GLC-UNet. Machine Learning in Medical Imaging (MLMI 2019), 274–282. https://doi.org/10.1007/978-3-030-32692-0_32
Wang, L., Fatemi, M., & Alizad, A. (2024). Artificial intelligence techniques in liver cancer. Frontiers in Oncology, 14. https://doi.org/10.3389/fonc.2024.1415859
Wang, Z., et al. (2022). Automatic couinaud liver segmentation using cascaded deep learning and portal vein landmark detection. Computers in Biology and Medicine, 145, 105400. https://doi.org/10.1016/j.compbiomed.2022.105400
Xie, T., et al. (2023). Deep learning for fully automated segmentation and volumetry of couinaud liver segments and future liver remnant on CT. Quantitative Imaging in Medicine and Surgery, 13 (5), 3180–3193. https://doi.org/10.21037/qims-22-1008
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 L. Fabricio Velez, Gustavo Nari, Nehuen Gonzalez-Montoro
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Acorde a estos términos, el material se puede compartir (copiar y redistribuir en cualquier medio o formato) y adaptar (remezclar, transformar y crear a partir del material otra obra), siempre que a) se cite la autoría y la fuente original de su publicación (revista y URL de la obra), b) no se use para fines comerciales y c) se mantengan los mismos términos de la licencia.
