Estudio de arquitecturas espacio-temporales de aprendizaje profundo para la detección de fase cardíaca
La enfermedad cardíaca reumática es una complicación grave de la fiebre reumática que causa daños en las válvulas del corazón. La detección y tratamiento tempranos de esta enfermedad pueden reducir significativamente la mortalidad asociada a ella. Es importante utilizar las nuevas tecnologías, como...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2025 |
| País: | España |
| Institución: | Universidad Nacional de Educación a Distancia |
| Repositorio: | e-spacio. Repositorio Institucional de la UNED |
| Idioma: | español |
| OAI Identifier: | oai:e-spacio.uned.es:20.500.14468/29346 |
| Acceso en línea: | https://hdl.handle.net/20.500.14468/29346 |
| Access Level: | acceso abierto |
| Palabra clave: | 1203.04 Inteligencia artificial Ecocardiograma Aprendizaje Profundo Clasificación de fases cardíacas Diagnóstico asistido por IA Flujo óptico Redes 3D-CNN Redes CNN-RNN Echocardiogram Deep Learning Cardiac Phase Classification AI-assisted Diagnosis Optical Flow 3D-CNN Networks CNN-RNN Networks |
| Sumario: | La enfermedad cardíaca reumática es una complicación grave de la fiebre reumática que causa daños en las válvulas del corazón. La detección y tratamiento tempranos de esta enfermedad pueden reducir significativamente la mortalidad asociada a ella. Es importante utilizar las nuevas tecnologías, como la inteligencia artificial (IA), para poder abordar estos problemas en países donde esta enfermedad es endémica y se carece de personal cualificado para su detección. La correcta interpretación de ecocardiografías para su diagnóstico de forma automatizada, para realizar una previa clasificación y reducir el enorme trabajo que supone para los profesionales, es un paso importante en este camino. Este Trabajo de fin de máster forma parte del proyecto CES-BC-RHD, cuyo objetivo es desarrollar herramientas basada en aprendizaje profundo para ayudar al diagnóstico de esta enfermedad en países endémicos. En él, abordamos la evaluación de distintas arquitecturas y técnicas de optimización de modelos de aprendizaje profundo para la categorización de cada fotograma de una ecocardiografía en las distintas fases del ciclo cardíaco. Esto, mediante técnicas de integración con otros modelos de aprendizaje automático, podría ayudar al diagnóstico de la enfermedad cardíaca reumática. Es justo en el cambio de sístole a diástole (y viceversa) cuando más información relevante arrojan los ecocardiogramas. Se han estudiado tres arquitecturas distintas: una 3D-CNN, y dos CNN+RNN; y se utilizó Optuna para la optimización de hiperparámetros. Los modelos se entrenaron con el conjunto de datos públicos TED, con 98 pacientes. Se evaluaron distintas técnicas de mejora como el uso de filtro CLAHE, aumento de datos o el flujo óptico, entre otras. Para esta evaluación se utilizó validación cruzada sobre un conjunto de datos de entrenamiento, dejando 10 pacientes para la fase de test. Se evaluó la generalización de los modelos en 200 vídeos de EchoNet-Dynamic, donde se estimó el ciclo completo mediante una heurística basada en el índice de similitud estructural (SSIM). El flujo óptico, técnica que analiza el movimiento de objetos en una secuencia de imágenes, ha demostrado ser el componente con mayor impacto en los modelos, llegando a incrementar en más de un 18 % los resultados obtenidos en términos de F1-score. La mejor configuración alcanzó un F1-score de 0.95, Accuracy de 0.95 y AUC de 0.98 en nuestro conjunto de test. Aunque fue otro modelo el que mostró mejor generalización en EchoNet, con un F1-score de 0.93 y AUC de 0.98. El aumento de datos redujo la varianza entre folds. La mayor limitación ha sido la falta de un conjunto de datos grande, ya que el que hemos usado tiene apenas un centenar de pacientes y un sólo ciclo cardíaco completo por paciente. En líneas futuras podrían explorarse la codificación temporal utilizando transformadores, distintas técnicas de fusión de flujo óptico y explorar la ayuda al etiquetado utilizando técnicas como SSIM. |
|---|