Aprendizaje máquina aplicado a la segmentación de imágenes ecográficas de la arteria carótida para la medida del grosor íntima-media

Abstract

Las enfermedades cardiovasculares son la principal causa de mortalidad, morbilidad y discapacidad a nivel mundial. Gran parte de estas patologías derivan de la aterosclerosis, una enfermedad que afecta a las arterias de mediano y gran calibre provocando su endurecimiento y pérdida de elasticidad. La aterosclerosis se caracteriza por el engrosamiento de la capa más interna de las paredes arteriales debido al depósito de materia grasa, colesterol y otras sustancias. Por tanto, produce un estrechamiento del lumen arterial dificultando el flujo sanguíneo normal. A largo plazo, puede llevar a una oclusión total del vaso afectado, impidiendo la llegada de oxígeno a la zona irrigada y provocando accidentes cardiovasculares severos. Así, es crucial el diagnóstico precoz de la aterosclerosis con fines preventivos. En este sentido, el grosor íntima-media o IMT (Intima-Media Thickness) de la arteria carótida común se considera un marcador precoz y fiable de la aterosclerosis y, por tanto, del riesgo cardiovascular. Las paredes de los vasos sanguíneos están formadas por tres capas, de la más interna a la más externa: intima, media y adventicia. El IMT se define como la distancia entre las interfaces lumen-íntima y media-adventicia y es evaluado mediante imágenes ecográficas que muestran un corte longitudinal de la arteria carótida común. Esta modalidad de imagen es no-invasiva para el paciente y relativamente económica, aunque suele ser bastante ruidosa y muy dependiente del operador. Además, el IMT se suele evaluar de forma manual, marcando pares de puntos sobre la imagen. Estos aspectos dan un carácter subjetivo a la medida del IMT y afectan a su reproducibilidad. La motivación de esta Tesis Doctoral es la mejora del proceso de evaluación del IMT sobre ecografías de la arteria carótida común. El objetivo fundamental consiste en explorar y proponer diferentes soluciones basadas en técnicas de Aprendizaje Máquina adecuadas para la segmentación de estas imágenes. De esta forma, se pretende detectar las interfaces lumen-íntima y media-adventicia a nivel de la pared posterior del vaso para medir el IMT sin necesidad de la interacción con el usuario. Este hecho implica que las estrategias propuestas resulten adecuadas tanto para el diagnóstico en la práctica clínica diaria como para facilitar el desarrollo de estudios sobre un gran número de imágenes. En particular, el proceso de evaluación del IMT se lleva a cabo en tres etapas completamente automáticas. En la primera etapa se realiza un pre-procesado de las ecografías para detectar la región de interés, es decir, la pared posterior de la arteria carótida común. Seguidamente, se procede a la identificación de las interfaces que definen el IMT. Por último, una etapa de post-procesado depura los resultados y define los contornos finales sobre los que realizar la medida del IMT. Para la detección automática de la región de interés (ROI) se han estudiado dos propuestas diferentes: una basada en Morfología Matemática y otra basada en Aprendizaje Máquina. Sobre la ROI detectada, la segmentación de las interfaces lumen-íntima y media-adventicia se plantea como un problema de Reconocimiento de Patrones, a resolver mediante técnicas de Aprendizaje Máquina. Así, se han estudiado cuatro configuraciones diferentes, utilizando distintos algoritmos de entrenamiento, arquitecturas, representaciones de los datos de entrada y definiciones del espacio de salida. Por tanto, la segmentación se reduce a realizar una clasificación de los píxeles de la ecografía. El post-procesado ha sido adaptado a cada una de las estrategias de segmentación propuestas para detectar y eliminar los posibles errores de clasificación de forma automática. Una parte importante del estudio realizado se dedica a la validación de las técnicas de segmentación desarrolladas. Para ello, se ha utilizado un conjunto de 79 ecografías adquiridas con el mismo equipo de ultrasonidos, pero utilizando diferentes sondas y con diferentes resoluciones espaciales. Además, se ha realizado la segmentación manual de todas las imágenes por parte de dos expertos diferentes. Considerando como ground-truth el promedio de cuatro segmentaciones manuales, dos de cada experto, se han evaluado los errores de segmentación de las estrategias automáticas planteadas. El proceso de validación se completa con la comparación de las medidas automáticas y manuales del IMT. Para la evaluación de los resultados, se han empleado diagramas de cajas, análisis de regresión lineal, diagramas de Bland-Altman y diferentes parámetros estadísticos. Los procedimientos desarrollados han demostrado ser robustos frente al ruido y artefactos que puedan presentar las ecografías. También se adaptan a la variabilidad anatómica e instrumental de las imágenes, lográndose una segmentación correcta con independencia de la apariencia que muestre la arteria en la imagen. Los errores medios obtenidos son similares, o incluso inferiores, a los errores propios de otros métodos automáticos y semiautomáticos encontrados en la literatura. Además, como consecuencia de utilizar máquinas de aprendizaje, el proceso de segmentación destaca por su eficiencia computacional.