Modelo de segmentación automática de músculos paravertebral para la caracterización de sarcopenia en pacientes con enfermedad de hígado graso.

Abstract

[ES] La presencia de sarcopenia en pacientes con enfermedad de hígado graso influye en el desarrollo de su condición, teniendo un impacto negativo en su evolución. La sarcopenia se define por el deterioro progresivo del sistema musculoesquelético.

La biopsia de músculo es el método principal para evaluar la composición del músculo, pero al ser de carácter invasivo y tener riesgos asociados no se ha extendido su uso. Por ello, en los últimos años se están investigando biomarcadores de imagen a partir de imágenes médicas como las adquisiciones de resonancia magnética y tomografía computarizada que permiten caracterizar el músculo de una forma no invasiva. Para hacer posible esta caracterización necesitamos previamente delimitar con precisión las estructuras musculares.

Dado que el proceso manual de delineación de estructuras en imagen médica es laborioso y consume mucho tiempo e introduce variabilidad por el observador, actualmente se están desarrollando modelos basados en Inteligencia Artificial, para automatizar esta tarea y reducir el tiempo de la segmentación muscular y reducir esta variabilidad.

Aunque los avances en IA son notables, la aplicación de modelos de segmentación automática del músculo esta más avanzada en TC que en RM. Por lo que el objetivo final de este trabajo de fin de grado es desarrollar un modelo automático para la segmentación de músculo en resonancia magnética, y así no solo acelerar el proceso de caracterización muscular, si no también mejorar la precisión. La implementación de este modelo facilitara la caracterización del músculo en pacientes con hígado graso y otras enfermedades mejorando así su manejo.

[EN] The presence of sarcopenia in patients with fatty liver disease influences the progression of their condition, exerting a negative impact on their evolution. Sarcopenia is characterized by the progressive deterioration of the musculoskeletal system.

Muscle biopsy is the primary method for assessing muscle composition, but due to its invasive nature and associated risks, its widespread use has been limited. Therefore, in recent years, there has been research into imaging biomarkers derived from medical images such as magnetic resonance imaging and computed tomography scans, which allow for non-invasive muscle characterization. To enable this characterization, precise delineation of muscle structures is required.

Given that the manual process of delineating structures in medical imaging is laborious, time-consuming, and introduces variability due to observer subjectivity, there is ongoing development of models based on Artificial Intelligence to automate this task and reduce the time required for muscle segmentation while also minimizing variability.

Although advancements in AI are noteworthy, the application of automatic muscle segmentation models is more advanced in CT than in MRI. Therefore, the goal of this thesis is to develop an automatic model for muscle segmentation in magnetic resonance imaging, aiming not only to speed up muscle characterization but also to enhance accuracy. The implementation of this model will facilitate muscle characterization in patients with fatty liver and other diseases, thereby improving their management.