Reconocimiento de craneofaringiomas y detección de compromiso hipotalámico en imágenes de resonancia magnética utilizando aprendizaje auto-supervisado

Abstract

Este trabajo se centra en el uso de técnicas de aprendizaje profundo en el marco de algoritmos de aprendizaje auto-supervisado para generar redes neuronales que codifiquen información proveniente de imágenes de resonancias magnéticas cerebrales. En particular, se describen métodos para generar representaciones abstractas de características de dichas fuentes de datos, esto sin el uso de etiquetas, logrando utilizar distintos tipos de información imagenológica médica disponible y sin clasificar durante el proceso de entrenamiento y aprendizaje. La calidad de dichas representaciones es evaluada en términos de métricas, tales como el F1-Score o el Recall, obtenido en la resolución de tareas radiológicas de reconocimiento de tumores, particularmente de craneofaringiomas, y detección de compromiso hipotalámico, utilizando como punto de partida codificadores preentrenados con aprendizaje auto-supervisado, y bases de datos etiquetadas para las tareas a resolver respectivamente. Así, se exploran y comparan distintas metodologías de ajuste fino de parámetros para dichos codificadores una vez que se emplean para la resolución de tareas particulares