Desarrollo de un método de diagnóstico automático de la miocardiopatía hipertensiva y la amiloidosis a partir del análisis de imágenes de resonancia magnética cardíaca mediante redes neuronales convolucionales

Abstract

[ES] Las enfermedades cardiovasculares se refieren a todas las enfermedades que afectan al corazón y/o a los vasos sanguíneos. Cabe destacar que este tipo de enfermedades son la principal causa de muerte en todo el mundo. En este ámbito, la Resonancia Magnética Cardíaca (RMC) se presenta como una herramienta notablemente valiosa para el diagnóstico de las enfermedades cardíacas de manera no invasiva. El objetivo del presente trabajo es desarrollar un método de clasificación para el diagnóstico de la miocardiopatía hipertensiva y la amiloidosis. La miocardiopatía hipertensiva se refiere a problemas que afectan el corazón relacionados con una presión arterial alta durante un período de tiempo prolongado, mientras que la amiloidosis es un trastorno debido a depósitos de una proteína llamada amiloide en el tejido cardíaco. Ambas patologías poseen una presentación clínica similar, caracterizada por un engrosamiento de las paredes ventriculares, dificultando así su diagnóstico y diferenciación. Por todo lo expuesto anteriormente, se pretende desarrollar un sistema de ayuda al diagnóstico automático de estas patologías a partir de un método de clasificación de imágenes de RMC basado en redes neuronales artificiales o Deep Learning. Inicialmente se dispondrá de un conjunto de imágenes de RMC y la segmentación de la zona de interés. Se dispondrá de 51 imágenes de pacientes con cardiopatía hipertensiva, 50 imágenes del grupo control y 10 imágenes de pacientes con amiloidosis, ya que se trata de una enfermedad poco frecuente. El desarrollo del proyecto estará basado en dos fases: preprocesado y clasificación. En la fase de preprocesado, se prepararán las imágenes para que puedan ser introducidas en la red neuronal. En la segunda fase, se desarrollará y entrenará una red neuronal convolucional o CNN que, a partir de una extracción de características, podrá ofrecer una clasificación multiclase: control, cardiopatía hipertensiva o amiloidosis. Tras ello, se procederá a la validación de los resultados obtenidos. En el proceso de entrenamiento se aplicará además la técnica Data Augmentation para generar más datos a partir de los que se tengan disponibles, lo cual es importante en el caso de las imágenes de pacientes con amiloidosis ya que un número reducido de datos podría dar lugar a predicciones poco precisas. El uso de este tipo de técnicas basadas en Inteligencia Artificial podría representar un punto de inflexión en el ámbito de la medicina, en concreto para el desarrollo de sistemas de ayuda a la decisión y al diagnóstico.

[EN] Cardiovascular diseases refer to all diseases that affect the heart and/or blood vessels. It should be noted that these types of diseases are the leading cause of death worldwide. In this area, Cardiac Magnetic Resonance (CMR) is presented as a remarkably valuable tool for non-invasively diagnosing heart diseases. The aim of this work is to develop a classification method for the diagnosis of hypertensive cardiomyopathy and amyloidosis. Hypertensive cardiomyopathy refers to problems that affect the heart related to high blood pressure for a long period of time, while amyloidosis is a disorder due to deposits of a protein called amyloid in the heart tissue. Both pathologies have a similar clinical presentation, characterized by a thickening of the ventricular walls, therefore making their diagnosis and differentiation difficult. For all the above, it is intended to develop an automatic diagnostic assistance system for these pathologies from a classification method of CMR images based on artificial neural networks or Deep Learning. Initially, a set of CMR images and the segmentation of the region of interest will be available. There will be 51 images of patients with hypertensive cardiomyopathy, 50 images of the control group and 10 images of patients with amyloidosis, since it is a rare disease. The development of the project will be based on two phases: preprocessing and classification. In the preprocessing phase, the images will be prepared so that they can be introduced into the neural network. In the second phase, a convolutional neural network or CNN will be developed and trained so that can offer a multiclass classification: control, hypertensive cardiomyopathy or amyloidosis. After that, the obtained results will be validated. Additionally, the Data Augmentation technique will be applied in the training process to generate more data from the data that is available, which is important in the case of images of patients with amyloidosis since a small number of data could lead to inaccurate predictions. The use of this type of techniques based on Artificial Intelligence could represent a break point in the field of medicine, specifically for the development of Clinical Decision Support and Diagnosis Systems.