Segmentación automática de vértebras en imágenes de tomografía computada

El cáncer se posiciona como una de las principales causas de mortalidad a nivel global, siendo la metástasis ósea una complicación frecuente en numerosos pacientes. Las metástasis vertebrales (MV), en particular, pueden comprometer la estabilidad de la columna y provocar problemas neurológicos, requ...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Cirignoli, Camila, Labrador, María Lourdes
Otros Autores: Balla, Mateo
Formato: Proyecto final de grado
Lenguaje:Español
Publicado: 2025
Materias:
CÁNCER
METÁSTASIS VERTEBRALES
METÁSTASIS ÓSEAS
DIAGNÓSTICO POR IMÁGENES
ONCOLOGÍA
APRENDIZAJE PROFUNDO
MEDICINA
INTELIGENCIA ARTIFICIAL
SALUD
DEEP LEARNING
Acceso en línea:https://ri.itba.edu.ar/handle/20.500.14769/4864
Aporte de:
Repositorio Institucional Instituto Tecnológico de Buenos Aires (ITBA) de Instituto Tecnológico de Buenos Aires (ITBA)
id I32-R138-20.500.14769-4864
record_format dspace
spelling I32-R138-20.500.14769-48642026-01-15T15:15:48Z Segmentación automática de vértebras en imágenes de tomografía computada Cirignoli, Camila Labrador, María Lourdes Balla, Mateo CÁNCER METÁSTASIS VERTEBRALES METÁSTASIS ÓSEAS DIAGNÓSTICO POR IMÁGENES ONCOLOGÍA APRENDIZAJE PROFUNDO MEDICINA INTELIGENCIA ARTIFICIAL SALUD DEEP LEARNING El cáncer se posiciona como una de las principales causas de mortalidad a nivel global, siendo la metástasis ósea una complicación frecuente en numerosos pacientes. Las metástasis vertebrales (MV), en particular, pueden comprometer la estabilidad de la columna y provocar problemas neurológicos, requiriendo de intervención quirúrgica. La detección y cuantificación precisa de MV son aspectos fundamentales en el diagnóstico y tratamiento de pacientes con cáncer. Sin embargo, los oncólogos que no están especializados en MV pueden no reconocer estos problemas, lo que puede derivar en tratamientos inadecuados. La segmentación automatizada de vértebras en imágenes de TC ofrece un enfoque prometedor para mejorar estos procesos. Este proyecto de fin de carrera tiene como objetivo principal el desarrollo de un algoritmo de aprendizaje profundo (Deep Learning, o DL por sus siglas en inglés) para la segmentación automática de vértebras en imágenes de tomografía computada (TC). Se focaliza en el diseño y desarrollo de una red neuronal convolucional, o convolutional neural network en inglés (CNN), con arquitectura U-Net, capaz de segmentar automáticamente las vértebras en imágenes axiales de TC. De esta manera se pueden obtener imágenes binarias de las vértebras en un plano axial correspondientes a cada estudio. Se emplearon conjuntos de datos etiquetados previamente para entrenar y evaluar diversas variaciones de la arquitectura de la CNN, seleccionando el modelo con mejor rendimiento. Los resultados muestran que el modelo desarrollado alcanza una alta precisión en la segmentación vertebral, con un coeficiente medio de Dice de 0.88 para los datos de prueba. Este resultado es satisfactorio para la detección de vértebras y, con las mejoras adecuadas, podría representar un paso significativo para el avance hacia la automatización de la detección temprana de MV y la optimización de los recursos clínicos para una mejor asignación de tratamientos y procedimientos quirúrgicos. En conclusión, este trabajo presenta un método basado en CNN que permite la segmentación automatizada de vértebras en imágenes de TC, con potenciales aplicaciones en el diagnóstico y tratamiento de MV. La mejora continua de este algoritmo podría tener un impacto significativo en la práctica clínica y en la calidad de vida de los pacientes afectados por enfermedades vertebrales. 2025-03-11T17:01:08Z 2025-03-11T17:01:08Z 2024-09 Proyecto final de grado https://ri.itba.edu.ar/handle/20.500.14769/4864 es application/pdf
institution Instituto Tecnológico de Buenos Aires (ITBA)
institution_str I-32
repository_str R-138
collection Repositorio Institucional Instituto Tecnológico de Buenos Aires (ITBA)
language Español
topic CÁNCER
METÁSTASIS VERTEBRALES
METÁSTASIS ÓSEAS
DIAGNÓSTICO POR IMÁGENES
ONCOLOGÍA
APRENDIZAJE PROFUNDO
MEDICINA
INTELIGENCIA ARTIFICIAL
SALUD
DEEP LEARNING
spellingShingle CÁNCER
METÁSTASIS VERTEBRALES
METÁSTASIS ÓSEAS
DIAGNÓSTICO POR IMÁGENES
ONCOLOGÍA
APRENDIZAJE PROFUNDO
MEDICINA
INTELIGENCIA ARTIFICIAL
SALUD
DEEP LEARNING
Cirignoli, Camila
Labrador, María Lourdes
Segmentación automática de vértebras en imágenes de tomografía computada
topic_facet CÁNCER
METÁSTASIS VERTEBRALES
METÁSTASIS ÓSEAS
DIAGNÓSTICO POR IMÁGENES
ONCOLOGÍA
APRENDIZAJE PROFUNDO
MEDICINA
INTELIGENCIA ARTIFICIAL
SALUD
DEEP LEARNING
description El cáncer se posiciona como una de las principales causas de mortalidad a nivel global, siendo la metástasis ósea una complicación frecuente en numerosos pacientes. Las metástasis vertebrales (MV), en particular, pueden comprometer la estabilidad de la columna y provocar problemas neurológicos, requiriendo de intervención quirúrgica. La detección y cuantificación precisa de MV son aspectos fundamentales en el diagnóstico y tratamiento de pacientes con cáncer. Sin embargo, los oncólogos que no están especializados en MV pueden no reconocer estos problemas, lo que puede derivar en tratamientos inadecuados. La segmentación automatizada de vértebras en imágenes de TC ofrece un enfoque prometedor para mejorar estos procesos. Este proyecto de fin de carrera tiene como objetivo principal el desarrollo de un algoritmo de aprendizaje profundo (Deep Learning, o DL por sus siglas en inglés) para la segmentación automática de vértebras en imágenes de tomografía computada (TC). Se focaliza en el diseño y desarrollo de una red neuronal convolucional, o convolutional neural network en inglés (CNN), con arquitectura U-Net, capaz de segmentar automáticamente las vértebras en imágenes axiales de TC. De esta manera se pueden obtener imágenes binarias de las vértebras en un plano axial correspondientes a cada estudio. Se emplearon conjuntos de datos etiquetados previamente para entrenar y evaluar diversas variaciones de la arquitectura de la CNN, seleccionando el modelo con mejor rendimiento. Los resultados muestran que el modelo desarrollado alcanza una alta precisión en la segmentación vertebral, con un coeficiente medio de Dice de 0.88 para los datos de prueba. Este resultado es satisfactorio para la detección de vértebras y, con las mejoras adecuadas, podría representar un paso significativo para el avance hacia la automatización de la detección temprana de MV y la optimización de los recursos clínicos para una mejor asignación de tratamientos y procedimientos quirúrgicos. En conclusión, este trabajo presenta un método basado en CNN que permite la segmentación automatizada de vértebras en imágenes de TC, con potenciales aplicaciones en el diagnóstico y tratamiento de MV. La mejora continua de este algoritmo podría tener un impacto significativo en la práctica clínica y en la calidad de vida de los pacientes afectados por enfermedades vertebrales.
author2 Balla, Mateo
author_facet Balla, Mateo
Cirignoli, Camila
Labrador, María Lourdes
format Proyecto final de grado
author Cirignoli, Camila
Labrador, María Lourdes
author_sort Cirignoli, Camila
title Segmentación automática de vértebras en imágenes de tomografía computada
title_short Segmentación automática de vértebras en imágenes de tomografía computada
title_full Segmentación automática de vértebras en imágenes de tomografía computada
title_fullStr Segmentación automática de vértebras en imágenes de tomografía computada
title_full_unstemmed Segmentación automática de vértebras en imágenes de tomografía computada
title_sort segmentación automática de vértebras en imágenes de tomografía computada
publishDate 2025
url https://ri.itba.edu.ar/handle/20.500.14769/4864
work_keys_str_mv AT cirignolicamila segmentacionautomaticadevertebrasenimagenesdetomografiacomputada
AT labradormarialourdes segmentacionautomaticadevertebrasenimagenesdetomografiacomputada
_version_ 1865139350413508608

Ejemplares similares