Un enfoque de aprendizaje profundo para la cuantificación de la función cardíaca
Las enfermedades cardiovasculares son la primera causa de muerte a nivel mundial. Es por esto que las tareas de detección temprana, diagnóstico y pronóstico resultan de vital importancia para las personas que padecen o corren riesgo de padecer estas patolog ías. Dos indicadores ampliamente utiliz...
Guardado en:
| Autor principal: | |
|---|---|
| Formato: | Tesis NonPeerReviewed |
| Lenguaje: | Español |
| Publicado: |
2020
|
| Materias: | |
| Acceso en línea: | http://ricabib.cab.cnea.gov.ar/980/1/Dellazoppa.pdf |
| Aporte de: |
| Sumario: | Las enfermedades cardiovasculares son la primera causa de muerte a nivel mundial.
Es por esto que las tareas de detección temprana, diagnóstico y pronóstico resultan de
vital importancia para las personas que padecen o corren riesgo de padecer estas patolog
ías. Dos indicadores ampliamente utilizados para cuantificar la función y estructura
cardiaca son la fracción de eyección (EF) y la masa del miocardio correspondiente al
ventrículo izquierdo (LVM), cuyo cálculo requiere identificar y delinear de forma precisa
los contornos de distintos tejidos del corazón en estudios de imágenes médicas. Si
bien existen métodos semiautomáticos para realizar esta tarea, no suelen tener la precisi
ón alcanzada mediante la demarcación manual, la cual es comúnmente considerada
tediosa, repetitiva y puede demandar alrededor de 20 minutos por paciente para un
médico experto. En este contexto, se propone trasladar al ámbito clínico una aplicación
que permita cuantificar la función cardiaca a partir de la estimación de la EF y LVM
de manera automática en estudios de resonancia magnética nuclear; con precisiones
y errores comparables a los obtenidos por especialistas. Con ese objetivo se diseñó y
desarrolló la herramienta de código abierto CardIAc, la cual incorpora dos modelos de
redes neuronales profundas que se entrenaron para detectar las estructuras cardiacas
de interés. De esta manera, se presenta un enfoque automático que logra reducir el
tiempo de los métodos tradicionales a 2 min. (CPU) y 30 seg. (GPU), con errores en
la cuantificación de EF (0.02±4.6[ %]) que se encuentran en el rango inter-observador
actual. Asimismo, este enfoque contempla la posibilidad de realizar una corrección manual
de los tejidos identificados en la etapa de detección de estructuras. La herramienta
provista se desarrolló como una extensión del software de visualización y procesado de
imágenes médicas 3DSlicer, integrándose así con el resto de utilidades nativas. |
|---|