Estudio del comportamiento biomecánico de la mama usando machine learning

Abstract

[ES] Este Trabajo de Fin de Máster (TFM) se centra en el estudio del comportamiento biomecánico de la mama, considerando sus diferentes tipos de tejido: piel, grasa y glandular. Para este propósito, se utilizarán imágenes de resonancia magnética (RM) para realizar la segmentación manual de diferentes pacientes usando el software Slicer 3D. Esta técnica permitirá generar los modelos 3D de cada tejido, los cuales serán mallados para realizar un análisis mediante el método de elementos finitos. Finalmente, se simularán las fuerzas a las que los tejidos mamarios están expuestos durante pruebas médicas como mamografías o ecografías mamarias. Tras repetir este procedimiento con varios casos de mama, se generará una base de datos con los valores de deformación que posibilitará la predicción de los parámetros biomecánicos específicos para cada paciente. Para la obtención de dicha predicción se usarán modelos de aprendizaje automático. Por ello, en este TFM combina la potencia de la inteligencia artificial para procesar grandes conjuntos de datos, permitiendo así un análisis más rápido y automático del comportamiento biomecánico de la mama en diversas situaciones clínicas. De este modo, se pretende no solo mejorar la comprensión teórica, sino también proporcionar herramientas más sofisticadas y personalizadas para la evaluación y el análisis clínico. Este hecho puede tener un impacto significativo en la práctica médica y la calidad de vida de los pacientes.

[EN] This Master's Thesis (TFM) focuses on the study of the biomechanical behavior of the breast, considering its different tissue types: skin, fat and glandular. For this purpose, magnetic resonance imaging (MRI) will be used to perform manual segmentation of different patients using Slicer 3D software. This technique will allow the generation of 3D models of each tissue, which will be meshed to perform an analysis using the finite element method. Finally, the forces to which the breast tissues are exposed during medical tests such as mammography or breast ultrasound will be simulated. After repeating this procedure with several breast cases, a database will be generated with the deformation values that will allow the prediction of the specific biomechanical parameters for each patient. Machine learning models will be used to obtain this prediction. Therefore, this TFM combines the power of artificial intelligence to process large data sets, allowing a faster and automatic analysis of the biomechanical behavior of the breast in various clinical situations. In this way, it aims not only to improve theoretical understanding, but also to provide more sophisticated and personalized tools for clinical assessment and analysis. This may have a significant impact on medical practice and patients' quality of life.