Estimación y segmentación de cartílagos en estructuras de enfermedad osteoarticular basado en imágenes de resonancia magnética de articulaciones y modelos de Deep Learning

Abstract

La osteoartritis es actualmente una de las enfermedades con mayor impacto en la salud a nivel poblacional. La no existencia de una cura, limita el combate de esta enfermedad a únicamente el tratamiento de sus síntomas, siendo la detección temprana de la enfermedad de suma importancia. Actualmente, existen varios modelos de redes neuronales con buen desempeño en la tarea de segmentación, sin embargo, es importante seguir desarrollando nuevas redes que generen estimaciones más precisas, confiables y útiles que puedan ayudar al tratamiento de OA. El presente trabajo define un nuevo modelo Convolutional Neural Network (CNN) capaz de segmentar huesos y cartílagos de la rodilla presentes en imágenes de resonancia magnética extraídas del dataset internacional OAI ZIB. Tomando la red MultiPlanar UNet como base, se incorporan distintos módulos de antialiasing y atención junto con conexiones residuales recurrentes para generar un modelo más robusto, enfocado y capaz de combatir efectos adversos presentes en éste. Los resultados obtenidos en la investigación demuestran un incremento de desempeño estadísticamente significativo al aplicar ciertas modificaciones y técnicas de mejora, elevando los valores iniciales de métrica DICE para cartílagos femoral y tibial de 0.8870 ± 0.0244 y 0.8436 ± 0.0415 con el modelo base a 0.8986 ± 0.0253 y 0.8623 ± 0.0423 con la nueva red, respectivamente.