Diseño y desarrollo de un modelo de detección automática de áreas cerebrales afectadas por isquemia cerebral en fase aguda mediante análisis de imagen en TAC de seguimiento

Abstract

[ES] Los ictus cerebrales son uno de los eventos médicos más frecuentes y devastadores que pueden afectar al cerebro. La detección temprana y precisa de la ubicación y volumen de las áreas afectadas por un ictus cerebral es crucial para el control y seguimiento de los pacientes que sufren este evento. La identificación de las regiones afectadas por un ictus cerebral es fundamental para determinar el pronóstico de la enfermedad y guiar el tratamiento y la rehabilitación del paciente. La precisión en la detección de estas áreas también puede ayudar a predecir la recuperación a largo plazo y la capacidad del paciente para volver a realizar sus actividades diarias. El objetivo principal de este proyecto es diseñar y desarrollar un modelo de detección automática de áreas cerebrales afectadas por ictus en fase aguda mediante análisis de imagen haciendo uso de la Tomografía Axial Computarizada (TAC) de seguimiento, y utilizando técnicas de aprendizaje profundo, en concreto, redes neuronales convolucionales. Para su desarrollo, se dispone de una serie de imágenes de TAC de pacientes sanos y pacientes con isquemia cerebral aguda segmentadas por profesionales que indican las áreas infartadas en cada imagen. Además, también se cuenta con imágenes creadas artificialmente de isquemias cerebrales mediante software para completar y enriquecer el conjunto de datos de entrenamiento. En este sentido, se plantea la comparación de diferentes arquitecturas de redes neuronales convolucionales para evaluar su eficacia en término de precisión. Por lo tanto, se realizará un análisis comparativo de diferentes modelos de redes neuronales convolucionales con el fin de seleccionar la arquitectura de red más adecuada para su aplicación en la práctica clínica. Por un lado, se busca tener una visión analítica sobre el uso de las redes neuronales convolucionales en la detección de áreas infartadas en el cerebro, midiendo su eficacia y curva de aprendizaje. Y, por otro lado, existe también un objetivo clínico, ya que la detección precisa de estas áreas infartadas puede tener un impacto significativo en el tratamiento del paciente, la planificación de cirugías, la asignación de recursos y el ahorro de costos en los sistemas de atención médica.

[EN] Cerebral strokes are one of the most frequent and devastating medical events that can affect the brain. Early and accurate detection of the location and volume of the areas affected by a stroke is crucial for the management and follow-up of stroke patients. The identification of the regions affected by a stroke is fundamental to determine the prognosis of the disease and to guide the patient's treatment and rehabilitation. Accurate detection of these areas can also help predict long-term recovery and the patient's ability to return to daily activities. The main objective of this project is to design and develop a model for automatic detection of brain areas affected by stroke in acute phase by image analysis using follow-up Computed Axial Tomography (CT), and using deep learning techniques, specifically, convolutional neural networks. For its development, a series of CT images of healthy patients and patients with acute cerebral ischemia segmented by professionals indicating the infarcted areas in each image are available. In addition, artificially created images of cerebral ischemia created by software are also available to complete and enrich the training data set. In this sense, the comparison of different convolutional neural network architectures is proposed to evaluate their efficiency in terms of accuracy. Therefore, a comparative analysis of different convolutional neural network models will be carried out in order to select the most suitable network architecture for its application in clinical practice. On the one hand, the aim is to have an analytical view on the use of convolutional neural networks in the detection of infarcted areas in the brain, measuring their efficiency and learning curve. And, on the other hand, there is also a clinical objective, since the accurate detection of these infarcted areas can have a significant impact on patient treatment, surgery planning, resource allocation and cost savings in health care systems.