Automatización del proceso de segmentación y cálculo de área de placa de ateroma en imágenes ecográficas de la arteria carótida

Abstract

Considerando la aterosclerosis como una causa prevenible de accidente cerebrovascular, enfermedad que constituye la causa más común de discapacidad crónica en adultos y la segunda causa de defunción a nivel global después de la enfermedad coronaria, se resalta la importancia de su detección temprana y control durante su progresión. Un método efectivo para lograr este objetivo, es el cálculo del Área Total de Placa (TPA) en imágenes ecográficas, que actualmente es realizado de forma manual por profesionales debidamente capacitados en dicha tarea. No obstante, este método manual trae aparejado desventajas significativas, como una demanda de tiempo considerable, variabilidad humana, falta de reproducibilidad y limitada difusión debido al extenso entrenamiento requerido. A raíz de esto, las estrategias de aprendizaje profundo emergen como una potencial solución a este problema. A lo largo de este proyecto, considerado como una primera instancia de la automatización de la tarea de segmentación y cálculo del TPA en arterias carótidas, se sientan las bases de un algoritmo que pueda llegar a ser implementado de manera exitosa en un entorno de uso clínico, ya sea para el estudio de la evolución de la enfermedad carotídea o bien, como herramienta de apoyo en la capacitación de los profesionales de salud. Las imágenes de ultrasonido en modo B del set de datos disponible, cuenta con un total de 341 imágenes que fueron adquiridas por tres especialistas utilizando la técnica doppler triplex en la región del cuello, extendiéndose desde su base, hasta la bifurcación carotídea. Se incluyeron pacientes de diversas edades y géneros, con niveles variables de aterosclerosis, que cumplían con el criterio de inclusión, el cual exigía la presencia de placas con un engrosamiento de la pared vascular superior a 1 mm, así como también imágenes que no presentaran placas. Durante la fase de curado de datos se emplearon diversas técnicas de procesamiento de imágenes con el fin de adecuarlas a las especificaciones de entrada de los modelos de redes neuronales. Los diez algoritmos de redes neuronales convolucionales implementados mediante el uso de transfer learning en una arquitectura UNet, fueron ensamblados para la obtención de un resultado global que compense las deficiencias particulares de los modelos individuales. La métrica utilizada para evaluar la performance del modelo de ensamble fue el coeficiente de similitud de DICE, obteniendo un resultado igual a 0,473 ± 0,341. Esto abre las puertas a la futura exploración de arquitecturas de redes neuronales más complejas y la adopción de técnicas de aprendizaje profundo más avanzadas.