Modellazione Fuzzy-Gaussiana Dinamica (DynFGM): Un Framework Adattativo al Kurtosis per la Segmentazione Automatica Non Supervisionata del Tessuto Adiposo in Risonanza Magnetica Addominale

La quantificazione accurata del tessuto adiposo addominale rappresenta un elemento critico nella valutazione del rischio metabolico, poiché la distribuzione del grasso, in particolare la distinzione tra tessuto adiposo sottocutaneo (SAT) e viscerale (VAT), è significativamente associata a condizioni metaboliche avverse come il diabete mellito di tipo 2, la sindrome metabolica e le malattie cardiovascolari. Tradizionalmente, la segmentazione basata su MRI è stata eseguita manualmente, processo estremamente laborioso, time-consuming e soggetto a elevata variabilità inter-osservatore. Gli approcci recenti basati su deep learning, sebbene promettenti, presentano dipendenze significative da estesi dataset di dati etichettati e richiedono annotazioni esperti, limitandone l'applicabilità in contesti clinici con risorse limitate. DynFGM risolve queste criticità introducendo un framework completamente non supervisionato basato su principi matematici robusti. La metodologia sfrutta intelligentemente la curtosi dell'immagine, misura statistica della forma della distribuzione dell'intensità, per selezionare automaticamente il numero ottimale di cluster tessutali per ogni singola fetta MRI, adattandosi così alle variazioni naturali dell'anatomia e delle caratteristiche di immagine. L'integrazione di fuzzy C-means (FCM) e modelli di mistura gaussiana (GMM) rappresenta un approccio ibrido che combina la flessibilità dei metodi fuzzy con l'interpretabilità statistica dei modelli gaussiani, superando i limiti delle reti neurali black-box. Il set di dati comprendeva 776 scansioni MRI addominali, con un sottogruppo benchmark di 20 casi con segmentazioni di riferimento fornite da esperti e un'ampia coorte di validazione di 756 partecipanti. I risultati quantitativi dimostrano performance eccezionali: il coefficiente di similarità Dice medio di 0,94 indica accordo spaziale superiore con le annotazioni esperte, mentre l'ICC che varia da 0,82 a 0,97 suggerisce affidabilità volumetrica comparabile alla variabilità inter-esperto. La riduzione del 92,6% dell'errore volumetrico medio assoluto (da 6547,5 cm³ con FCM standard a soli 6,2 cm³ con DynFGM) rappresenta un miglioramento clinicamente rilevante per la ricerca metabolica e la stratificazione del rischio. Su scala operativa, il tasso di fallimento tecnico del 3,0% su 756 partecipanti dimostra robustezza algoritmica e stabilità in scenari clinici reali, mentre il tempo computazionale di 13,6 secondi per partecipante su hardware CPU standard rende il metodo immediatamente implementabile in flussi di lavoro clinici. Questo framework si posiziona come ponte importante tra la segmentazione manuale laboriosa e i metodi supervisionati dipendenti da dati etichettati, offrendo una soluzione scalabile per la ricerca su larga scala e potenzialmente servendo come strumento di etichettatura automatica per facilitare lo sviluppo di modelli di intelligenza artificiale futuri.