Publicación: Visión artifical basada en aprendizaje profundo aplicada a la clasificación y segmentación de imágenes ecocardiográficas
Cargando...
Fecha
2024-09
Autores
Editor/a
Director/a
Coordinador/a
Prologuista
Revisor/a
Ilustrador/a
Derechos de acceso
info:eu-repo/semantics/openAccess
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad de Educación a Distancia (UNED)
Resumen
En cardiología, la fracción de eyección es uno de los indicadores principales utilizados para detectar posibles casos de insuficiencia cardíaca. La fracción de eyección es una medida del porcentaje de sangre que sale del corazón cada vez que se comprime, y habitualmente se suele determinar para el ventrículo izquierdo.
Aún hoy en día lo más frecuente es que, para el cálculo de la fracción de eyección, los especialistas (en este caso, cardiólogos) tengan que inspeccionar directamente los ecocardiogramas, anotar manualmente la fase del mismo y decidir cuál es la forma exacta del contorno del ventrículo izquierdo en los fotogramas que diluciden como de cambio de fase cardíaca.
Dicha manera de proceder presenta diversos inconvenientes. Tres de los principales son el costo en tiempo, la falta de precisión, y la gran variabilidad en datos etiquetados por diferentes especialistas.
Por todo ello la automatización de la detección del ciclo cardíaco y de la medida de la fracción de eyección representarían un gran avance. En este trabajo se utilizan modelos de aprendizaje profundo con arquitecturas convolucionales para las tareas de clasificación del ciclo cardíaco de cada fotograma, y para la detección (mediante una tarea de segmentación semántica) del contorno del ventrículo izquierdo. Se ha trabajado principalmente con el conjunto de datos EchoNet-Dynamic (Stanford, 2020).
En este trabajo se prueban distintos modelos para la detección del ciclo cardíaco de cada fotograma en cortes longitud fija de los ecordiogramas. La exactitud media de los mejores modelos es de aproximadamente el 92 %.
Utilizando los 2 mejores modelos como la parte codificadora, se entrena un V-Net para predecir la segmentación del ventrículo izquierdo. El coeficiente de Dice obtenido es mejor para el fin de sístole que de diástole. Sin embargo, el cálculo automatizado de la fracción de eyección no es satisfactorio debido a que una minoría apreciable de las máscaras predichas tienen satélites o extensiones, y también debido a la dificultad de automatizar una estimación estable y fiable del radio de revolución.
Finalmente, se han bosquejado distintas estrategias para mejoras y extensiones del presente trabajo.
Descripción
Categorías UNESCO
Palabras clave
ecocardiograma, segmentación, convolucional
Citación
Zubizarreta Iriarte, Xabier (2024) Visión artifical basada en aprendizaje profundo aplicada a la clasificación y segmentación de imágenes ecocardiográficas. Trabajo Fin de Máster. Universidad de Educación a Distancia (UNED)
Centro
Facultades y escuelas::E.T.S. de Ingeniería Informática