Diseño de un modelo generativo de imágenes realistas de resonancia magnética cardiaca utilizando modelos de difusión

Abstract

[ES] El número de estudios en el campo médico que utiliza técnicas de aprendizaje automático y aprendizaje profundo ha aumentado considerablemente en los últimos años. Con el objetivo de aprovechar todo el potencial del aprendizaje profundo en imagen médica, se requieren grandes conjuntos de datos para el entrenamiento. Dichos conjuntos de datos son difíciles de obtener debido a aspectos relacionados con la falta de privacidad, la subrepresentación de enfermedades raras, la falta de estandarización y la escasez de calidad y disponibilidad de etiquetas de diagnóstico, así como la falta expertos para la segmentación. Para solventar este problema, cada vez se están utilizando más técnicas para generar imágenes que tengan un alto grado de similitud con respecto a imágenes reales, para poder realizar estudios a partir de ellas. El objetivo principal de este trabajo es desarrollar una herramienta capaz de generar grandes conjuntos de datos sintéticos de Resonancia Magnética Cardíaca partiendo de bases de datos disponibles, de modo que las imágenes generadas presenten un alto grado de similitud con respecto a las reales. En una etapa más avanzada se plantea como objetivo adicional la generación de segmentaciones de zonas de interés junto a la imagen sintética para producir imágenes etiquetadas sintéticas. En cuanto a los objetivos específicos del trabajo se plantea, por un lado, el aprendizaje del lenguaje de programación Python y de las librerías destinadas al desarrollo de modelos de Deep Learning para la generación de imágenes, así como la exploración de los modelos generativos ofrecidos por MONAI Generative Models , focalizándose en los Modelos de Difusión. Por otro lado, también se pretende el diseño y entrenamiento de una arquitectura de red neuronal convolucional U-net para la generación de imágenes, el desarrollo de un modelo de difusión capaz de generar imágenes sintéticas de RM cardíaca con un alto grado de similitud y, por último, el desarrollo de un segundo modelo capaz de generar imágenes sintéticas junto con su segmentación etiquetada, tanto del ventrículo izquierdo y derecho como del miocardio. Para entrenar los modelos se dispone de imágenes anonimizadas de resonancia magnética cardíaca y su correspondiente segmentación etiquetada de un total de 399 pacientes (272 hombres y 127 mujeres), entre los que se encuentran pacientes con diferentes patologías y sujetos sanos. Como lenguaje de programación, se va a utilizar Python, y como software de aprendizaje profundo se va a utilizar MONAI, el cual se trata de un marco de trabajo creado para aplicaciones de imagen médica y aprendizaje profundo. Para entrenar y evaluar el modelo generativo se pretende utilizar una extensión de MONAI, llamada MONAI Generative Models .

[EN] The number of studies in the medical field that use machine learning and deep learning techniques has significantly increased in recent years. In order to harness the full potential of deep learning in medical imaging, large datasets are required for training. Obtaining such datasets is challenging due to factors related to privacy concerns, underrepresentation of rare diseases, lack of standardization, scarcity of quality and availability of diagnostic labels, and shortage of experts for segmentation. To address this issue, techniques for generating images with a high degree of similarity to real images are increasingly being employed for research purposes. The main objective of this work is to develop a tool capable of generating large synthetic datasets of Cardiac Magnetic Resonance Imaging (MRI) from available databases, so that the generated images exhibit a high degree of similarity to real ones. In a more advanced stage, an additional objective is to generate segmentations of regions of interest along with the synthetic image to produce synthetic labeled images. Regarding the specific objectives of the work, on one hand, it involves learning the Python programming language and libraries for developing Deep Learning models for image generation, as well as exploring the generative models offered by "MONAI Generative Models", focusing on Diffusion Models. On the other hand, it also aims to design and train a U-net convolutional neural network architecture for image generation, develop a diffusion model capable of generating synthetic cardiac MR images with a high degree of similarity, and finally, develop a second model capable of generating synthetic images along with their labeled segmentation, including the left and right ventricles and the myocardium. To train the models, anonymized cardiac magnetic resonance images and their corresponding labeled segmentations from a total of 399 patients (272 males and 127 females) are available, including patients with various pathologies and healthy subjects. Python will be used as the programming language, and MONAI will be used as the deep learning software, which is a framework created for medical imaging and deep learning applications. An extension of MONAI, called "MONAI Generative Models", is intended to be used for training and evaluating the generative model.