Aplicación de técnicas de aprendizaje profundo a la segmentación de imagen ecocardiográfica

La fiebre reumática es una enfermedad infecciosa que afecta con mayor frecuencia a los niños de 5 a 15 años, aunque se puede presentar también en adultos y muy rara vez en niños más pequeños. Suele causar daños en varias partes del cuerpo, especialmente en las válvulas del corazón, dando lugar así a...

ver descrição completa

Detalhes bibliográficos
Autor: Castilla Cebas, Itziar Marta
Tipo de documento: dissertação
Data de publicação:2023
País:España
Recursos:Universidad Nacional de Educación a Distancia
Repositório:e-spacio. Repositorio Institucional de la UNED
Idioma:espanhol
OAI Identifier:oai:e-spacio.uned.es:20.500.14468/14632
Acesso em linha:https://hdl.handle.net/20.500.14468/14632
Access Level:Acceso aberto
Palavra-chave:1203.04 Inteligencia artificial
Descrição
Resumo:La fiebre reumática es una enfermedad infecciosa que afecta con mayor frecuencia a los niños de 5 a 15 años, aunque se puede presentar también en adultos y muy rara vez en niños más pequeños. Suele causar daños en varias partes del cuerpo, especialmente en las válvulas del corazón, dando lugar así a la enfermedad cardíaca reumática (ECR). Se estima que en la actualidad esta enfermedad afecta a más de 30 millones de personas en el mundo y causa más de 300.000 muertes anuales, muchas de ellas de personas menores de 25 años, además de provocar invalidez permanente en muchos casos. Los problemas que ocasiona son más frecuentes durante el embarazo y el parto. En países endémicos la prevención primaria es complicada principalmente por la falta de acceso a servicios médicos cualificados por lo que la prevención secundaria, consistente en realizar un cribado mediante ecocardiografía para detectar los pacientes asintomáticos y aplicarles tratamiento profiláctico con penicilina, ha demostrado ser una vía de acción más efectiva. El principal objetivo de esta línea de TFM es diseñar un sistema inteligente que, mediante técnicas de inteligencia artificial aplicadas al procesamiento de imágenes ecocardiográficas, sirva de ayuda al diagnóstico de la enfermedad cardíaca reumática. He comparado cuatro arquitecturas diferentes: una red neuronal convolucional (CNN) con tres capas convolucionales, una ResUnet, U-Net y Laddernet. He probado diferentes técnicas para mejorar el rendimiento de los modelos y reducir sus problemas de generalización, incluyendo preprocesar las imágenes con filtro CLAHE, filtro ecualizado, filtro gaussiano, filtro de Sobel y aumento de datos. Así mismo he hecho pruebas de todas las arquitecturas con diferentes tamaños de kérnel 2, 3 y 4. Finalmente, en el conjunto de pruebas, he obtenido un valor de coeficiente DICE 0,805 para la arquitectura CNN propuesta; 0,890 para la arquitectura Laddernet, 0,895 para ResUnet, 0,894 para una red U-Net preentrenada y 0,911 para U-Net con aumento de datos.