Resumen:
|
[ES] La hemorragia intracraneal es una acumulación de sangre producida por la rotura
de un vaso en el interior del cráneo. Habitualmente es producto de la hipertensión arterial,
capaz de provocar pequeñas dilataciones ...[+]
[ES] La hemorragia intracraneal es una acumulación de sangre producida por la rotura
de un vaso en el interior del cráneo. Habitualmente es producto de la hipertensión arterial,
capaz de provocar pequeñas dilataciones en los vasos que en determinado momento
pueden llegar a provocar su desgarro. Los distintos tipos de hemorragia intracraneal
(intraparenquimatosa, intraventricular, subaracnoidea, epidural y subdural) son
reconocibles mediante imágenes TAC (Tomografía Axial Computarizada). El pronóstico
del paciente es dependiente de un diagnóstico rápido y preciso. El procedimiento actual,
en el que especialistas clínicos revisan manualmente las imágenes, es un proceso
complicado y que a menudo requiere dedicar una gran cantidad de tiempo.
El objetivo de este trabajo es construir una herramienta automática para la
detección de hemorragias intracraneales agudas y sus subtipos a partir de imágenes de
TAC cerebrales. Para ello, se utilizará la base de datos proporcionada por la competición
de Kaggle, RSNA Intracranial Hemorrhage Detection, que proporciona más de 450.000
casos.
Para conseguir esta herramienta se desarrollaron tres modelos de detección
distintos basados en redes neuronales convolucionales (CNN). Estas redes se
implementaron y entrenaron con los métodos de la librería fast.ai de Python. A las
muestras proporcionadas por la base de datos mencionada se les aplico el pre-procesado
CLAHE con el objetivo de mejorar el rendimiento de las redes.
Posteriormente, con las redes ya entrenadas, se utilizaron una serie de métricas de
evaluación (accuracy, precisión, sensitivity, specificity, f1 score, auc) con el fin de
evaluar los resultados obtenidos con cada uno de los modelos y comprobar así cual es el
mejor modelo capaz de resolver el problema propuesto.
Por último, los resultados muestran que, con técnicas de inteligencia artificial, se
puede detectar y clasificar de forma eficiente y efectiva los distintos subtipos de
hemorragias intracraneales.
[-]
[CA] L'hemorràgia intracranial és una acumulació de sang produïda pel trencament d'un
got a l'interior del crani. Habitualment és producte de la hipertensió arterial, capaç de
provocar xicotetes dilatacions en els gots ...[+]
[CA] L'hemorràgia intracranial és una acumulació de sang produïda pel trencament d'un
got a l'interior del crani. Habitualment és producte de la hipertensió arterial, capaç de
provocar xicotetes dilatacions en els gots que en determinat moment poden arribar a
provocar el seu esquinçament. Els diferents tipus d'hemorràgia intracranial
(intraparenquimàtic, intraventricular, subaracnoidal, epidural i subdural) són
recognoscibles mitjançant imatges TAC (Tomografia Axial Informatitzada). El pronòstic
del pacient és dependent d'un diagnòstic ràpid i precís. El procediment actual, en el qual
especialistes clínics revisen manualment les imatges, és un procés complicat i que sovint
requereix dedicar una gran quantitat de temps.
L'objectiu d'aquest treball és construir una eina automàtica per a la detecció
d'hemorràgies intracranials agudes i els seus subtipus a partir d'imatges de TAC cerebrals.
Per a això, s'utilitzarà la base de dades proporcionada per la competició de Kaggle, RSNA
Intracranial Hemorrhage Detection, que proporciona més de 450.000 casos. El
classificador es dissenyarà emprant xarxes neuronals convolucionals (CNN).
Per a aconseguir aquesta eina es van desenvolupar tres models de detecció
diferents basats en xarxes neuronals convolucionals (CNN). Aquestes xarxes es van
implementar i van entrenar amb els mètodes de la llibreria fast.ai de Python. A les mostres
proporcionades per la base de dades esmentada se'ls aplique el pre-processat CLAHE amb
l'objectiu de millorar el rendiment de les xarxes.
Posteriorment, amb les xarxes ja entrenades, es van utilitzar una sèrie de mètriques
d'avaluació (accuracy, precision, sensitivity, specificity, f1 score, auc) amb la finalitat
d'avaluar els resultats obtinguts amb cadascun dels models i comprovar així com és el
millor model capaç de resoldre el problema proposat.
Finalment, els resultats mostren que, amb tècniques d'intel·ligència artificial, es
pot detectar i classificar de manera eficient i efectiva els diferents subtipus d'hemorràgies
intracranials.
[-]
[EN] Intracranial hemorrhage is an accumulation of blood produced by the rupture of a
vessel inside the skull. It is usually the product of arterial hypertension, capable of causing
small dilations in the vessels that ...[+]
[EN] Intracranial hemorrhage is an accumulation of blood produced by the rupture of a
vessel inside the skull. It is usually the product of arterial hypertension, capable of causing
small dilations in the vessels that at a certain moment can cause them to tear. The different
types of intracranial hemorrhage (intraparenchymal, intraventricular, subarachnoid,
epidural and subdural) are recognizable by CT images (Computerized Tomography). The
patient's prognosis is dependent on a quick and accurate diagnosis. The current procedure,
in which clinical specialists manually review the images, is a complicated process and
often requires a great deal of time.
The objective of this work is to build an automatic tool for the detection of acute
intracranial hemorrhages and its subtypes from brain CT images. To do this, the database
provided by the Kaggle RSNA Intracranial Hemorrhage Detection competition will be
used, which provides more than 450,000 cases.
To achieve this tool, three different detection models based on convolutional
neural networks (CNN) were developed. These networks were implemented and trained
with the methods of the Python library, fast.ai. CLAHE pre-processing was applied to the
samples provided by the database to improve the performance of the networks.
Subsequently, with the networks already trained, a series of evaluation metrics
(accuracy, precision, sensitivity, specificity, f1 score, auc) were used in order to evaluate
the results obtained with each of the models and thus verify which is the best model
capable of solving the proposed problem.
Finally, the results show that, with artificial intelligence techniques, the different
subtypes of intracranial hemorrhages can be efficiently and effectively detected and
classified.
[-]
|