Desarrollo de un modelo predictivo basado en redes neuronales convolucionales para el diagnóstico automático de la miocardiopatía hipertrófica y de la amiloidosis a partir del análisis de imágenes de resonancia magnética cardíaca

Abstract

[ES] Actualmente, las enfermedades cardiovasculares son una de las principales causas de muerte en todo el mundo. Es por eso que es necesario, tanto para el sistema como para los médicos, desarrollar técnicas de diagnóstico que permitan ofrecer una respuesta rápida y óptima a los pacientes. En este trabajo se propone realizar una herramienta de diagnóstico automático en imagen cardíaca por resonancia magnética de las patologías de amiloidosis y miocardiopatía hipertrófica basada en técnicas de aprendizaje profundo. La amiloidosis se produce por acumulación de proteínas en el miocardio, mientras que la miocardiopatía hipertrófica es una enfermedad en la que el músculo cardíaco se vuelve anormalmente grueso por causas diversas. Como ambas enfermedades se caracterizan por el engrosamiento del miocardio, es muy útil proponer un método no invasivo y eficiente que facilite el diagnóstico a los médicos. En cuanto al aprendizaje profundo, es un conjunto de algoritmos basado en redes neuronales que intenta modelar abstracciones de alto nivel en datos usando arquitecturas compuestas de múltiples transformaciones no lineales. En este caso se van a utilizar redes convolucionales que se basan en el uso de kernels para extraer información de las imágenes mediante operaciones de convolución. Para ello se parte de tres conjuntos de datos de imágenes de resonancia magnética cardíaca en eje corto correspondientes a: 42 de pacientes con miocardiopatía hipertrófica, 10 de amiloidosis (el número es bajo por tratarse de una dolencia poco frecuente), y 50 de sujetos control. A partir de todas ellas se accederá al miocardio segmentado. Una vez procesadas todas las imágenes se desarrollará un modelo predictivo, utilizando redes neuronales convolucionales, que clasifique las imágenes en sujetos sanos, sujetos con amiloidosis y sujetos con cardiomiopatía hipertrófica. Se utilizará "data augmentation" para poder ampliar los casos de cada clase y se modificarán los parámetros de la red hasta obtener el modelo óptimo. Se empleará el entorno de Python y Keras de TensorFlow para construir y entrenar la red.

[EN] Nowadays, cardiovascular diseases are one of the leading causes of death worldwide. That is why it is necessary, both for the system and for the doctors, to develop diagnostic techniques that allow offering a rapid and optimal answer to patients. In this work it is proposed to carry out an automatic diagnostic tool in cardiac magnetic resonance imaging of the pathologies of amyloidosis and hypertrophic cardiomyopathy. Amyloidosis is caused by the accumulation of proteins in the myocardium, while hypertrophic cardiomyopathy is a disease in which the heart muscle becomes abnormally thick due to various causes. As both diseases are characterized by thickening of the myocardium, it is very useful to propose a non-invasive and efficient method that facilitates diagnosis for doctors. Regarding deep learning, it is a set of algorithms based on neural networks that attempts to model high-level abstractions in data using architectures composed of multiple non-linear transformations. In this case, convolutional networks that are based on the use of kernels are going to be used to extract information from the images through convolution operations. To do this, it is started from three data sets of short-axis cardiac magnetic resonance images corresponding to: 42 from patients with hypertrophic cardiomyopathy, 10 from amyloidosis (the number is low because it is a rare disease), and 50 from control subjects. From all of them, the segmented myocardium will be accessed. Once all the images have been processed, a predictive model will be developed, using convolutional neural networks, that classifies the images in healthy subjects, subjects with amyloidosis and patients with hypertrophic cardiomyopathy. Data augmentation will be used to allow the growth of cases of each class and the parameters of the network will be modified until the optimal model is obtained. Python and Keras¿ Tensorflow environment will be used to build and train the network.