Automated Detection of Renal Calculi in Abdominal Computed Tomography Scans Using Deep Learning Techniques

Investigación Científica Aplicada

Automated Detection of Renal Calculi in Abdominal Computed Tomography Scans Using Deep Learning Techniques

La detección de cálculos renales en tomografías es clave para prevenir complicaciones y facilitar el tratamiento oportuno. Los métodos tradicionales requieren intervención manual, lo que puede ser laborioso y propenso a errores. Este estudio propone un sistema automatizado que integra:1) un clasificador MobileNetV2 para identificar la orientación del corte (axial/coronal); 2) un detector YOLOv8n que localiza los riñones con >95% de precisión; y 3) una segmentación adaptativa de los cálculos mediante umbralización de histograma. Se empleó un conjunto público con 2,757 imágenes abdominales CT. MobileNetV2 permitió clasificar automáticamente los planos, y YOLOv8 localizó los riñones eficientemente. El sistema logró 100% de sensibilidad, aunque con mayor tasa de falsos positivos, precisión de 75.76% y F1-Score de 84%. Estos resultados indican un alto potencial clínico, aunque se requieren mejoras para reducir falsos positivos y validar en más datos.

Descripcion completa

La detección de cálculos renales en tomografías es clave para prevenir complicaciones y facilitar el tratamiento oportuno. Los métodos tradicionales requieren intervención manual, lo que puede ser laborioso y propenso a errores. Este estudio propone un sistema automatizado que integra:1) un clasificador MobileNetV2 para identificar la orientación del corte (axial/coronal); 2) un detector YOLOv8n que localiza los riñones con >95% de precisión; y 3) una segmentación adaptativa de los cálculos mediante umbralización de histograma. Se empleó un conjunto público con 2,757 imágenes abdominales CT. MobileNetV2 permitió clasificar automáticamente los planos, y YOLOv8 localizó los riñones eficientemente. El sistema logró 100% de sensibilidad, aunque con mayor tasa de falsos positivos, precisión de 75.76% y F1-Score de 84%. Estos resultados indican un alto potencial clínico, aunque se requieren mejoras para reducir falsos positivos y validar en más datos.