AIHealth
Piattaforma clinica on-premise con LLM locali, RAG su dati FHIR/DICOM, supporto alla diagnosi, follow-up remoto. Architettura progettata per il percorso MDR.
Scopri AIHealth →
Digital Health
Sviluppo di software medicale conforme agli standard normativi CE e MDR. Sistemi di supporto alle decisioni cliniche, integrazione AI nei flussi di lavoro clinici.
Scopri →Un modello per segmentare tutto
La gran parte dei modelli di segmentazione medicale pubblicati segmentano una struttura specifica — il fegato, la prostata, i tumori cerebrali — addestrati su dataset dedicati. Un radiologo che vuole quantificare più strutture in una stessa TC deve usare modelli diversi, ciascuno con proprie dipendenze, formati, aspettative di input.
TotalSegmentator — pubblicato da Jakob Wasserthal e collaboratori dell’Università di Basilea in Radiology: Artificial Intelligence (RSNA) nel 2023 (preprint 2022 su arXiv) — risponde a questa frammentazione con un modello unico che segmenta 104 strutture anatomiche in immagini TC corpo intero con una singola chiamata.
Il progetto è coordinato dal gruppo di Shan Yang e Martin Segeroth dell’University Hospital Basel con collaborazioni con University of Zurich e DKFZ Heidelberg (coniugando expertise di Basilea con lo stato dell’arte nnU-Net). I pesi sono distribuiti con licenza Apache 2.0 e il software è installabile via pip install totalsegmentator.
Il dataset di training
Il punto cruciale del lavoro è il dataset. Gli autori hanno annotato 1228 TC in ospedale Basilea, seguendo un protocollo rigoroso:
- Acquisizioni diverse (con/senza contrasto, varie fasi di enhancement)
- Scanner diversi
- Protocolli diversi
- Popolazione eterogenea (età, sesso, patologie)
Le 104 strutture includono:
- Ossa (vertebre numerate T1-L5, coste, bacino, femore, scapola, omero, …)
- Organi parenchimatosi (fegato, milza, pancreas, reni, ghiandole surrenali, tiroide, stomaco, colon, vescica, utero, prostata, …)
- Vasi maggiori (aorta, vena cava, vena porta, arterie carotidi, arterie renali, …)
- Muscoli (muscolo ileopsoas, retto addominale, …)
- Polmoni (lobi polmonari separati)
- Cuore (atri, ventricoli, miocardio, aorta ascendente)
- Altre strutture (trachea, esofago, midollo spinale, cervello, grasso sottocutaneo/viscerale)
Il dataset è stato pubblicato come open dataset con licenza CC BY 4.0, dando alla comunità una risorsa di riferimento per la segmentazione anatomica.
L’architettura
TotalSegmentator usa nnU-Net come framework sottostante. Le scelte pratiche:
- Modello 3D fullres per ogni sottogruppo di strutture (grouping per evitare memoria GPU eccessiva)
- Resampling a 1.5 mm isotropo come default (versione “total”)
- Versione “fast” con resampling a 3 mm per inferenza veloce
- Inferenza multi-fold con ensemble
La dimensione dei modelli è tale da girare su GPU consumer (RTX 3090, A6000); tempi di inferenza dell’ordine di 30 secondi per una TC a risoluzione ragionevole.
Pipeline d’uso
L’interfaccia d’uso è deliberatamente minimale:
# Installazione
pip install totalsegmentator
# Inferenza
TotalSegmentator -i input.nii.gz -o output_folderL’output è un set di file NIfTI (uno per struttura) o un unico volume multi-classe, a scelta. Ogni struttura ha un’etichetta standardizzata che permette pipeline downstream automatiche.
L’integrazione con 3D Slicer è immediata tramite un’estensione che consente l’esecuzione da interfaccia grafica. Integrazione con MONAI Label disponibile per scenari di correzione manuale.
Performance validate
Il paper di Radiology AI 2023 documenta performance su 57 test casi esterni di istituzioni diverse, con confronti contro:
- Modelli specialistici pubblicati (per singole strutture)
- Annotatori umani qualificati (radiologi)
Il risultato centrale: TotalSegmentator produce segmentazioni con qualità paragonabile a radiologi su molte strutture, con Dice medio > 0.95 per organi principali ben definiti (fegato, reni, polmoni, cuore) e > 0.90 per strutture più complesse. Performance minori ma accettabili per strutture piccole e variabili (vasi piccoli, muscoli sottili).
Impatto sulla comunità
TotalSegmentator ha avuto un’adozione rapida:
- Download significativi su PyPI fin dalla prima release
- Citazioni in letteratura in crescita esponenziale durante il 2023
- Integrazione in workflow clinici per studi retrospettivi
- Base per ricerche derivate — estensioni a strutture non coperte, adattamenti a MR, lavori di radiomics su segmentazioni prodotte automaticamente
Come esempio pratico: un progetto di body composition analysis (calcolo di massa magra, adipe viscerale/sottocutaneo) che prima richiedeva annotazione manuale su migliaia di casi ora può essere eseguito in bulk su qualunque dataset TC, producendo metriche quantitative per ogni paziente.
TotalSegmentator vs. nnU-Net standard
TotalSegmentator è basato su nnU-Net, ma non è semplicemente “nnU-Net su un dataset grande”. Contributo addizionale:
- Dataset curato di 1228 TC con annotazioni multi-struttura rigorose
- Protocollo di training ottimizzato per la copertura multi-struttura
- Packaging in un tool open source immediatamente utilizzabile
- Validazione cross-site
- Documentazione e esempi
Il valore di TotalSegmentator non è architetturale (è nnU-Net) ma di messa a disposizione di un prodotto pronto che risponde a un bisogno clinico reale.
Versioni recenti
A novembre 2023, TotalSegmentator v2 è in rilascio, con:
- Estensione a 117 strutture (rispetto alle 104 iniziali)
- Nuove strutture su CT cardiaco (cavità cardiache dettagliate, coronarie)
- Supporto MR in fase alpha — modello separato per segmentazione su MR body
- Performance migliorate in strutture difficili (vasi piccoli, linfonodi)
Applicazioni cliniche
TotalSegmentator abilita workflow clinici che prima richiedevano annotazione manuale estensiva:
Radioterapia
Segmentazione automatica di organs at risk per pianificazione radioterapica. Il fisico medico verifica e corregge invece di tracciare da zero — risparmio di tempo dell’ordine di 5-10x per paziente.
Pianificazione chirurgica
Ricostruzione 3D paziente-specifica per chirurgia addominale, toracica, ortopedica. Segmentazioni strutturate pronte per stampa 3D o visualizzazione VR.
Body composition
Studi di sarcopenia, massa adiposa viscerale/sottocutanea a partire da TC routinarie. Rilevanza in oncologia (sarcopenia come predittore di prognosi), endocrinologia, riabilitazione.
Quantificazione radiomica
Segmentazioni anatomiche standardizzate come ROI per pipeline radiomiche — estrazione di feature di texture, forma, intensità su un insieme fisso di strutture, con riproducibilità cross-sito.
Pandemia COVID-19 e monitoraggio di sequele
Studi longitudinali su sequele polmonari post-COVID hanno usato TotalSegmentator per segmentazioni polmonari automatiche su migliaia di TC di follow-up.
Ricerca epidemiologica
Studi di imaging su biobanche (UK Biobank, German National Cohort, Imaging in Italia via CINECA) possono applicare TotalSegmentator su centinaia di migliaia di TC per misure anatomiche quantitative.
Certificazione e uso clinico
Come i suoi progenitori open source, TotalSegmentator non è un dispositivo medico certificato. Il suo uso in produzione clinica richiede:
- Integrazione in un prodotto qualificato IEC 62304
- Marcatura CE sotto MDR (UE) 2017/745 — classificazione tipicamente IIa (Regola 11 per software di supporto alla diagnostica)
- Gestione del rischio ISO 14971
- Valutazione clinica
- Sorveglianza post-vendita
Alcune aziende stanno costruendo prodotti certificati basati su TotalSegmentator o incorporandolo in soluzioni più ampie. La licenza Apache 2.0 lo consente senza impedimenti.
Nel contesto italiano
L’adozione italiana in progetti di ricerca:
- IRCCS e università italiane usano TotalSegmentator in studi radiomici retrospettivi
- Radioterapia italiana — centri come Pavia, Milano, Padova, Torino esplorano il suo uso per OAR autosegmentation
- Body composition studies — utilizzati in programmi di prevenzione e ricerca oncologica
La disponibilità di una pipeline open source affidabile abbassa drasticamente la soglia di ingresso per progetti clinici italiani, senza dipendenza da licenze commerciali.
Prospettive
Le direzioni future attese:
- Copertura anatomica più estesa — integrazione con strutture non incluse (linfatiche fini, vascolari fini)
- Modalità multi-modali — MR a corpo intero, PET/TC
- Pipeline pediatriche — corpi anatomicamente diversi da quelli adulti
- Pipeline patologiche — riconoscimento anomalie oltre la semplice identificazione anatomica
- Integrazione con AI predittive — la segmentazione anatomica come input di modelli predittivi downstream (stima età, mortalità, rischio cardiovascolare)
- Standardizzazione cross-site — attestazione della robustezza cross-scanner, cross-contrasto, cross-popolazione
TotalSegmentator al 2023 rappresenta un punto di maturazione dell’AI medicale open source: un tool che funziona su dati reali, immediatamente utilizzabile, con validazione pubblicata. La combinazione di dataset annotato + training solido + packaging accessibile è una ricetta che sta diventando lo standard per i prossimi progetti di AI clinica open source.
Riferimenti: Jakob Wasserthal et al., “TotalSegmentator: Robust Segmentation of 104 Anatomic Structures in CT Images”, Radiology: Artificial Intelligence (2023). University Hospital Basel, University of Zurich, DKFZ. Licenza Apache 2.0, pesi pubblici. Dataset open license CC BY 4.0. pip: totalsegmentator. Base tecnica: nnU-Net.