Aprendizaje profundo neuro-evolutivo para la segmentación y clasificación de estructuras óseas en imágenes de resonancias magnéticas de osteoartritis de rodilla

Abstract

El presente trabajo de tesis desarrolla un modelo neuro-evolutivo para la tarea de segmentación semántica de estructuras óseas y articulares en imágenes de resonancia magnética (MRI), provenientes de pacientes con osteoartritis de rodilla (OA). Para esto se propone implementar un esquema de estructura de red neuronal convolucional basado en deep learning, debido a su comprobada eficiencia en los trabajos de visión computacional, e implementar un sistema de búsqueda neuronal o neuro-evolutivo adaptable a imágenes 3D y metadatos, con el fin de solventar la compleja tarea de optimización de redes, común en los trabajos del estado del arte. El modelo neuronal desarrollado, denominado Multi-Planar Neural Architecture Search U-Net (NAS-MPUNet) es capaz de diferenciar de entre 5 tipos distintos de clases anatómicas de la rodilla, incluyendo el fondo, y logra un coeficiente DICE promedio de 92.6 % al ser aplicado en la base de datos internacional de The Osteoarthritis Initiative (OAI). Además, como base para el esquema neuro-evolutivo, se proponen una serie de adaptaciones al esquema de aumentación de datos llamado multi-planar para ser aplicado en la tarea de segmentar de forma semántica la base de datos OAI ZIB. Finalmente, se experimenta con distintos tipos de preprocesamientos y aumentación de datos, que permiten destacar las características de las zonas anatómicas de interés, con el fin de mejorar el desempeño de segmentación. Para esto, se destaca principalmente la implementación de filtrados bilaterales y uso de correcciones en base a procesamientos N4-bias-field. Todo lo anterior permite obtener un average Surface distance (ASD) de 0.19 (mm), y una distancia de Hausdorff (HD) de 4.25 (mm) en el conjunto de prueba, demostrando ser un esquema competente con los trabajos del estado del arte.