Desarrollo de un modelo aprendizaje profundo para la clasificación de malformaciones craneales a partir de mallado 3D

Abstract

[ES] En este trabajo, se presenta un enfoque integral para la clasificación de malformaciones craneales utilizando nubes de puntos 3D generadas a partir de escaneos fotogramétricos. Se emplean técnicas avanzadas de procesamiento de mallas y análisis de concavidad para transformar los datos y segmentar las estructuras craneales. Inicialmente, se implementan algoritmos de normalización y reconstrucción de superficies para limpiar y preparar las mallas. Posteriormente, se utiliza el algoritmo de K-Means para segmentar la nube de puntos en regiones específicas basadas en puntos semilla seleccionados. Los datos segmentados y procesados se utilizarán para entrenar un modelo de aprendizaje profundo que clasifica las malformaciones craneales en categorías como braquicefalia, dolicocefalia, normocefalia, plagiocefalia, turricefalia y trigonocefalia. El objetivo final es desarrollar un modelo robusto y preciso que pueda asistirse en el diagnóstico y clasificación de estas condiciones en un entorno clínico. Para ello, se comenzará el estudio con el análisis de nubes sintéticas controladas para enseñar al sistema. Posteriormente se tratará con pacientes reales.

[EN] In this paper, a comprehensive approach to cranial malformation classification using 3D point clouds generated from photogrammetric scans is presented. Advanced mesh processing and concavity analysis techniques are employed to transform the data and segment the cranial structures. Initially, surface normalization and reconstruction algorithms are implemented to clean and prepare the meshes. Subsequently, the K-Means algorithm is used to segment the point cloud into specific regions based on selected seed points. The segmented and processed data will be used to train a deep learning model that classifies cranial malformations into categories such as brachycephaly, dolichocephaly, normocephaly, plagiocephaly, turricephaly, and trigonocephaly. The ultimate goal is to develop a robust and accurate model that can assist in the diagnosis and classification of these conditions in a clinical setting. To this end, the study will begin with the analysis of controlled synthetic clouds to teach the system. Subsequently, real patients will be treated.

[CA] En aquest treball final de maser (TFM) es presenta un enfocament integral per a la classificació de malformacions cranials utilitzant núvols de punts 3D generades a partir d'escanejos fotogramètrics. S'empren tècniques avançades de processament de malles i anàlisis de concavitat per a transformar les dades i agrupar les estructures cranials en clusters. Inicialment, s'implementen algorismes de normalització i reconstrucció de superfícies per a netejar i preparar les malles. Posteriorment, s'utilitza l'algorisme de K-Means per a clusteritzar el núvol de punts en regions específiques basades en punts de llavor seleccionats. Les dades clusteritzades i processaments s'utilitzaran per a entrenar un model d'aprenentatge profund que classifica les malformacions cranials en categories com braquicefalia, dolicocefalia, normocefalia, plagiocefàlia, turricefalia i trigonocefalia. L'objectiu final és desenvolupar un model robust i precís que pugui assistir en el diagnòstic i classificació d'aquestes condicions en un entorn clínic. Per a això, es començarà l'estudi amb l'anàlisi de núvols sintètics controlats per a ensenyar al sistema