RESUMEN:
Propósito: El análisis de composición corporal sirve como indicador de ciertas condiciones médicas como el síndrome metabólico, el cáncer, la diabetes o las enfermedades cardiovasculares. Tradicionalmente, estos análisis se realizan mediante métodos antropométricos o herramientas clínicas que proporcionan un resultado aproximado. Usando la familia de arquitecturas de Aprendizaje Profundo U-NET, se realizó una segmentación completamente automática del tejido adiposo abdominal visceral y subcutáneo. Se estudiaron estos resultados de segmentación y se compararon con el patrón de oro generado por segmentación manual de expertos. Materiales y métodos: Se emplearon cuatro variaciones de la arquitectura de Aprendizaje Profundo de U-Net: U-Net, R2U-Net, Attention U-Net y Attention R2U-Net. Estos métodos se entrenaron en un conjunto de datos que consta de 554 imágenes recopiladas entre 2015 y 2017 en el Hospital Universitario San Ignacio y en el Instituto IDIME en Bogotá, Colombia. Esta base de imágenes contiene anotaciones para tres tejidos diferentes: grasa visceral, grasa subcutánea y otros tejidos, generadas a través de herramientas de segmentación semiautomáticas. Resultados: El índice de Sørensen-Dice se utiliza como métrica de evaluación al comparar con los datos obtenidos del patrón de oro, que consiste en segmentaciones manuales realizadas por expertos. Se obtuvo que la arquitectura U-Net fue la más precisa en términos de segmentación de la composición corporal general, con un puntaje promedio de Dice de 93,0 %, seguida de cerca por la arquitectura Attention U-Net con un puntaje promedio de Dice de 92,0 %. Conclusiones: Según los resultados, se descubrió que las arquitecturas U-Net y Attention U-Net son las más adecuadas para el análisis de la composición corporal. Los resultados de segmentación producidos por estos métodos podrían usarse para obtener métricas precisas y ayudar a los médicos a comprender la condición física del paciente.

SUMMARY:
Purpose: Body composition analysis is a test that measures the proportion of various tissues of a person’s body. It serves as an indicator for certain medical conditions such as metabolic syndrome, cancer, diabetes, or cardiovascular disease. Traditionally, these analyses are done using anthropometric methods or clinical tools that provide an approximated result. Using the family of U-NET Deep Learning architectures, we perform a fully automatic segmentation of visceral and subcutaneous abdominal adipose tissues. We study these segmentation results and compare them against semiautomatic and manual generated ground truths. Materials and methods: We employ several variations of the U-Net Deep Learning architecture: U-Net, R2U-Net, Attention U-Net, and Attention R2U-Net. These methods were trained on a dataset, which consists of 554 images from the Hospital Universitario San Ignacio and IDIME Institute in Bogota, Colombia, collected from 2015 to 2017. This dataset contains annotations for three different tissues: visceral fat, subcutaneous fat and other tissue generated through semiautomatic segmentation tools. Results: Sørensen-Dice index is used as the evaluation metric against the ground truth which consists of manual segmentations performed by experts. We obtained that the U-Net architecture was the most accurate in terms of overall body composition segmentation, with a mean Dice score of 93.0%, followed closely by the Attention U-Net architecture. Conclusions: We found that the U-Net and Attention U-Net architectures are more suited for body composition analysis. The segmentation results produced by these methods could be used to obtain precise metrics and help physicians understand the patient’s physical condition.