Seungyeon Lee^1†Genya Shimbo^2†Nozomu Yokoyama¹Kensuke Nakamura¹Ren Togo³Takahiro Ogawa³Miki Haseyama³Mitsuyoshi Takiguchi^1*

• ¹Laboratorio de Medicina Interna Veterinaria, Departamento de Ciencias Clínicas Veterinarias, Escuela de Graduados de Medicina Veterinaria, Universidad de Hokkaido, Sapporo, Japón
• ^{número arábigo}Hospital de Enseñanza Veterinaria, Escuela de Graduados en Medicina Veterinaria, Universidad de Hokkaido, Sapporo, Japón
• ³Facultad de Ciencia y Tecnología de la Información, Universidad de Hokkaido, Sapporo, Japón

Introducción: La segmentación automatizada basada en el aprendizaje profundo ha mejorado significativamente la eficiencia y la precisión de las aplicaciones de medicina humana. Sin embargo, las aplicaciones veterinarias, en particular la segmentación del hígado canino, siguen siendo limitadas. Este estudio tuvo como objetivo desarrollar y validar un modelo de aprendizaje profundo basado en una arquitectura 3D U-Net para la segmentación hepática automatizada en tomografías computarizadas (TC) abdominales caninas.

Métodos: Se analizaron 221 tomografías computarizadas abdominales caninas, de las cuales 159 fueron 159 casos sin masas hepáticas y 62 casos con masas hepáticas. El modelo se entrenó y evaluó utilizando dos conjuntos de datos separados: uno que contenía casos sin masas hepáticas (Experimento 1) y el otro que combinaba casos con y sin masas hepáticas (Experimento 2).

Resultados: Ambos experimentos demostraron un alto rendimiento de segmentación, logrando coeficientes medios de similitud de Dice de 0,926 (Experimento 1) y 0,929 (Experimento 2).

Discusión: Los volúmenes hepáticos manuales y previstos mostraron una excelente concordancia, destacando la potencial aplicabilidad clínica de este enfoque.