Segmentación de hiperintensidades de materia blanca en base a modelos de vision transformer

Abstract

Ante la creciente edad promedio de la población mundial, enfermedades neurodegenerati- vas como el Alzheimer comienzan a ser un foco de preocupación en el mundo. En la búsqueda de estrategias para el diagnóstico temprano se han explorado técnicas no invasivas como la resonancia magnética para el diagnóstico temprano. La resonancia magnética permite de- tectar lesiones en la sustancia blanca como las Hiperintensidades T2/FLAIR en Sustancia Blanca (WMH). Dichas lesiones se han reportado en pacientes con demencia y a su vez son predictoras de problemas cognitivos, derrames y demencia. Actualmente, el análisis clínico de las lesiones en sustancia blanca es evaluado subjetiva- mente y por lo cual, se han planteado nuevos métodos para obtener evaluaciones cuantitativas de las lesiones, recurriendo a algoritmos de inteligencia computacional tales como aprendizaje automático y últimamente, aprendizaje profundo. Estudios recientes en la tarea de segmentación general han demostrado el creciente rendimi- ento de modelos basados en Vision Transformer (ViT), lo cual motiva la hipótesis de que arquitecturas basadas en ViT que incorporen adaptaciones de arquitecturas U-Net para el problema de segmentación de WMH, en conjunto con variables de la literatura en neurocien- cia, permiten mejorar los resultados actuales para la segmentación automática de hiperin- tensidades en resonancias magnéticas cerebrales. Para validar esta hipótesis se utiliza la base de datos internacional de segmentación de lesiones en sustancia blanca (White Matter Hyperintensities Segmentation Challenge) com- puesta por 170 pacientes de múltiples países y utilizando la división original de datos con 60 pacientes para entrenamiento de 110 pacientes de prueba. Con los experimentos computacionales realizados en esta tesis se logra observar que el desempeño de los nuevos modelos basados en ViT no logran sobrepasar al actual estado del arte en la tarea de segmentación de lesiones en sustancia blanca. Sin embargo, las ideas propuestas en esta tesis logran mejorar el rendimiento de los modelos base basados en ViT en 4 de 5 métricas evaluadas (Dice Score, H95, Recall y F1 score). Por otro lado, se observa un tiempo de inferencia casi 10 veces menos entre el modelo implementado y el actual estado del arte.