Automatic Segmentation of Postmenopausal Ovaries in T2-Weighted MRI using Deep Learning

Abstract

[eng] Postmenopausal ovaries are small, low-contrast structures that are difficult to delineate reliably on T2 weighted MRI. Accurate segmentation is a prerequisite for radiomic analysis and AI-based characterisation of adnexal masses, but no published method specifically addresses normal, atrophic postmenopausal ovaries. This work develops and evaluates a deep learning pipeline for automatic segmentation using a clinical dataset from 103 patients at Hospital Clínic de Barcelona. Several deep learning architectures and training strategies were compared. A patch-based approach with data augmentation, designed to address the severe class imbalance in this target, served as the primary model. Two automatic localisation approaches were also developed. As a downstream application, radiomic features were extracted from the ground-truth masks and used to train a classifier for binary age prediction The patch-based AttentionU-Net achieved a validation Dice of 0.619 and a test Dice of 0.447, measured with ground-truth centroids. The radiomics classifier achieved 61.9% accuracy on binary age classification (chance level: 50.5%), with shape descriptors as the most discriminative features. This work delivers the first reported segmentation results for normal atrophic postmenopausal ovaries in T2-weighted MRI, together with a preliminary radiomic characterisation of the segmented structures. Automatic localisation of the ovary remains the main open challenge before a fully automated pipeline becomes feasible.

[cat] Els ovaris postmenopàusics són estructures petites i de baix contrast, difícils de delimitar de forma fiable en RM T2. Una segmentació precisa és un prerequisit per a l'anàlisi radiòmica i la caracterització per IA de les masses anexials, però cap mètode publicat aborda específicament els ovaris postmenopàusics normals i atròfics. Aquest treball desenvolupa i avalua un pipeline de deep learning per a la segmentació automàtica a partir d'un conjunt de dades clínic de 103 pacients de l'Hospital Clínic de Barcelona. Es van comparar diverses arquitectures i estratègies d'entrenament. El model principal va ser un enfocament basat en pedaços amb augmentació de dades, que resol el desequilibri de classes inherent a aquest problema. També es van desenvolupar dos mètodes de localització automàtica. Com a aplicació secundària, es van extreure característiques radiòmiques de les màscares de referència per entrenar un classificador per a la predicció binària d'edat. L'AttentionU-Net basada en patches va assolir un Dice de validació de 0,619 i un Dice de test de 0,447. El classificador radiòmic va obtenir un 61,9% d'exactitud en la classificació binària d'edat (nivell d'atzar: 50,5%), amb els descriptors de forma com a característiques més discriminatives. Aquest treball reporta els primers resultats de segmentació publicats per a ovaris postmenopàusics normals i atròfics en RM T2, amb una caracterització radiòmica preliminar de les estructures segmentades. La localització automàtica de l'ovari és el pas principal pendent de resoldre abans que el pipeline pugui funcionar sense intervenció manual.