Desarrollo de un modelo para la predicción de la evolución de la extensión del infarto cerebral mediante técnicas de inteligencia artificial y el análisis de imágenes médicas

Abstract

[ES] El accidente cerebrovascular (ictus) representa una condición clínica en la que se produce una falta de oxígeno y nutrientes en determinadas zonas del cerebro. Esta patología constituye la segunda causa más común de mortalidad y la principal causa de discapacidad adquirida a nivel mundial.

Dado el gran impacto del accidente cerebrovascular en nuestra sociedad actual y las previsiones que apuntan hacia una población cada vez más envejecida y con mayor presencia de comorbilidad, se hace necesario el planteamiento de nuevas estrategias de prevención, protocolos y técnicas de diagnóstico o tratamiento que permitan ofrecer una asistencia sanitaria más eficaz y estandarizada. En el diagnóstico del accidente cerebrovascular es importante destacar la gran relevancia de los estudios neurorradiológicos, capaces de proporcionar múltiples parámetros que se utilizan como biomarcadores en la caracterización del accidente cerebrovascular. A partir del procesado de imágenes de TAC de perfusión destaca la obtención del volumen de infarto (región afectada no recuperable) y el volumen de penumbra (región afectada recuperable con tratamiento). A pesar de que estos datos nos permiten tener una imagen del daño que ha sufrido el cerebro hasta el momento, no nos aportan una visión cuantitativa de la posible evolución del infarto, dejando esto a la evaluación subjetiva del neurólogo.

En el presente Trabajo de Fin de Grado (TFG) se ha planteado utilizar la base de datos ISLES 2018 donde se proporcionan estudios de TAC de perfusión junto a máscaras segmentadas manualmente del infarto sobre resonancia magnética ponderada por difusión (RM DWI) a las 3 horas de haber realizado el estudio de TAC de perfusión. Los parámetros derivados del TAC de perfusión se han obtenido a partir del software comercial Minerva Stroke (Lincbiotech). El objetivo principal ha sido evaluar diferentes rutas de preprocesamiento de los datos, así como diversos algoritmos de Inteligencia Artificial (¿Machine Learning¿) con el fin de predecir el volumen de infarto a las 3 horas a partir de dichos parámetros, utilizando como gold standard las imágenes segmentadas manualmente de resonancia magnética ponderada por difusión (RM DWI). Para el desarrollo del proyecto se ha hecho uso de Matlab y de su aplicación Regression Learner App.

Los resultados obtenidos en este TFG han demostrado, tras el entrenamiento y evaluación de 800 modelos de regresión diferentes, que el modelo capaz de ofrecer mejores resultados para el problema que nos ocupa es un algoritmo de Máquina de Vectores de Soporte (SVM), el cual permite predecir el volumen de infarto con un Error Medio Absoluto (MAE) de 13,55 ml a partir del volumen del núcleo del infarto inicial en TAC, el volumen de tejido hipoperfundido y el volumen de tejido con Tmax < 10.

[EN] Cerebrovascular accident (stroke) represents a clinical condition in which there is a lack of oxygen and nutrients in certain areas of the brain. This pathology is the second most common cause of death and the leading cause of acquired disability worldwide.

Given the great impact of stroke in our society and the forecast that points to an increasingly aging population with greater comorbidity, it is necessary to consider new prevention strategies, protocols, and diagnostic or treatment techniques that allow us to offer more effective and standardized healthcare. In the diagnosis of stroke, it is important to highlight the great relevance of neuroradiological studies, capable of providing multiple parameters that are used as biomarkers in the characterization of stroke. From processing perfusion CT images, we can obtain the infarct volume (non-recoverable affected region) and the penumbra volume (affected region recoverable with treatment). Although these data allow us to have an image of the damage suffered by the brain up to the moment, they do not provide us with a quantitative vision of the possible evolution of the infarct, leaving this to the subjective evaluation of the neurologist.

In this Final Degree Project, we intend to use the ISLES 2018 database where perfusion CT studies are provided together with manually segmented masks of the infarct on diffusion-weighted magnetic resonance imaging (RM DWI) 3 hours after the perfusion CT study has been performed. The perfusion CT-derived parameters were obtained from the commercial software Minerva Stroke (Lincbiotech). The main aim was to evaluate different data preprocessing routes, as well as different Artificial Intelligence (¿Machine Learning¿) algorithms in order to predict the infarct volume 3 hours from these parameters, using manually segmented diffusion-weighted magnetic resonance images (RM DWI) as the gold standard. Matlab and its Regression Learner App have been used for the development of the project.

The results obtained in this Final Degree Project have shown, after training and evaluating 800 different regression models, that the model capable of offering the best results for the problem at hand is a Support Vector Machine (SVM) algorithm, which allows predicting the infarct volume with a Mean Absolute Error (MAE) of 13,55 ml from the initial infarct core volume in CT, the volume of hypoperfused tissue and the volume of tissue with Tmax < 10.