Resumen
Según la Organización Mundial de la Salud (OMS), aproximadamente mil millones de perso- nas en todo el mundo están afectadas por trastornos neurológicos periféricos y centrales, incluidos tumores cerebrales, enfermedad de Parkinson (EP), enfermedad de Alzheimer (EA), esclerosis múl- tiple (EM), epilepsia, demencia, enfermedades neuroinfecciosas, accidentes cerebrovasculares y lesiones cerebrales traumáticas. El accidente cerebrovascular isquémico y la "enfermedad de Alz- heimer con otras demencias" son la segunda y la quinta causa principal de muerte, respectivamente. En este contexto, la detección y clasificación de lesiones cerebrales constituye un área crítica de investigación en el procesamiento de imágenes médicas, impactando significativamente tanto en la práctica clínica como en el avance científico
Este proyecto tiene como objetivo proponer, desarrollar e implementar un método para la de- tección y clasificación de lesiones isquémicas y enfermedades desmielinizantes en imágenes de resonancia magnética (MRI), las cuales constituyen un tipo de hiperintensidades de la sustancia blanca (WMH). Esta tarea es crucial debido a la similitud entre estas dos enfermedades; un diagnóstico erróneo por parte de un médico no capacitado o inexperto podría llevar a un tratamiento incorrecto. Por lo tanto, este proyecto busca proporcionar a la comunidad científica y clínica una herramienta que ayude en el diagnóstico de estas enfermedades, sirviendo como una segunda opinión y como un recurso de capacitación para la identificación de lesiones cerebrales
El proyecto emplea diversas técnicas de aprendizaje automático y aprendizaje profundo para comprender las características de las lesiones (biomarcadores) y facilitar su detección y clasificación. Dada la limitada cantidad de datos disponibles para el desarrollo de algoritmos, se utilizaron varios enfoques de aprendizaje por transferencia, aumento de datos clásico y aumento de datos sintético. La metodología para la detección y clasificación involucró principalmente los siguientes modelos: U-Net, Segmenting Anything Model, YOLOv8 y Detectron2. Además, se propuso un modelo utilizando redes ResNet18 para la clasificación de Regiones de Interés (ROIs).
Los resultados experimentales indicaron que el modelo U-Net logró un coeficiente Dice medio de 0.95 para la segmentación. El modelo Detectron2 demostró una precisión de 0.98 en la detección y de 0.93 en la clasificación de lesiones, incluidas las lesiones pequeñas donde otros modelos a menudo fallan. El clasificador de ROIs logró una precisión de clasificación de 0.96. Estos resulta- dos sugieren que los modelos propuestos podrían ser evaluados más a fondo en un entorno clínico para mejorar su rendimiento con más datos. En general, los métodos desarrollados en este proyecto presentan un marco robusto para la detección y clasificación de lesiones cerebrales utilizando téc- nicas avanzadas de aprendizaje automático. Los hallazgos indican que los modelos desarrollados podrían ayudar significativamente en los diagnósticos clínicos, proporcionando un apoyo confiable para los médicos y contribuyendo a mejores resultados para los pacientes.
