| Resumo: | Este Trabajo de Fin de Máster (TFM) forma parte del proyecto CAREUM y, más recientemente, del proyecto "Cribado coste-efectivo de cáncer de mama y enfermedad cardíaca reumática mediante inteligencia artificial" (PID2023-150515OB-I00). El objetivo principal de estos proyectos es desarrollar un sistema inteligente capaz de procesar imágenes ecocardiográficas, con el fin de asistir en el diagnóstico de la enfermedad cardíaca reumática. En este contexto, el principal objetivo de mi trabajo ha sido desarrollar un método de segmentación automática de imágenes ecocardiográficas y su posterior clasificación para la detección de las fases del ciclo cardíaco. Para comenzar, he realizado una introducción a las redes neuronales y a las redes neuronales convolucionales (CNN, por sus siglas en inglés), así como una revisión del estado del arte en el análisis de imágenes ecocardiográficas, abarcando tanto los métodos tradicionales como los basados en aprendizaje profundo (DL). He comparado tres variantes de la arquitectura de segmentación U-Net, ajustando su complejidad y capacidad de aprendizaje para evaluar su rendimiento en la segmentación de imágenes ecocardiográficas, considerando la precisión y eficiencia computacional. Además, se probaron tres enfoques de entrenamiento: (1) utilizando los datos originales con validación estática, (2) aplicando aumento de datos, también con validación estática, para incrementar la variabilidad, y (3) empleando los datos originales con validación cruzada para evaluar la capacidad de generalización. Estos enfoques permitieron analizar su impacto en el rendimiento de la segmentación, proporcionando información sobre mejoras en la precisión, reducción del sobreajuste y estabilidad de los modelos Para la tarea de clasificación, se ha entrenado una red neuronal convolucional 3D (3D CNN), diseñada específicamente para mantener y procesar tanto la información espacial como la temporal de las secuencias ecocardiográficas. También se probaron otros enfoques que pueden ayudar a la detección del ciclo cardiaco, como el cálculo de la Curva de Variación de Volumen Ventricular (CVVV). Para el modelo de segmentación, hemos obtenido en el conjunto de pruebas, una accuracy del 96.40%, un coeficiente de DICE de 96.36%, y un IoU de 93.00%. Para el de clasificación, hemos obtenido una precisión total del 95.68%, un recall del 95.37% y una medida F1 del 95.51%.
|
|---|
