SEGMENTACIÓN DE IMÁGENES MÉDICAS DE HUESOS LARGOS MEDIANTE REDES NEURONALES

La segmentación de imágenes médicas es un paso esencial en una amplia gama de procedimientos médicos, desde el diagnóstico de enfermedades hasta la planificación y monitorización de tratamientos farmacológicos. Más concretamente, la segmentación de imágenes de TC de huesos largos tiene un enorme impacto en el campo de las cirugías traumatológicas, las terapias para fracturas óseas y la prevención y el tratamiento de enfermedades relacionadas con los tejidos óseos del cuerpo.

El objetivo del proyecto es abordar los retos que presenta la segmentación de imágenes médicas además como explorar y comparar diferentes aplicaciones de técnicas de Deep Learning para abordar el problema. Siendo un subconjunto en el campo del aprendizaje automático, el Deep Learning es una técnica de ML que utiliza redes neuronales para aprender de cantidades masivas de datos y hacer predicciones precisas y sólidas. En vista de la creciente importancia de estas técnicas de IA en el campo de la medicina, se ha desarrollado una serie de algoritmos de segmentación basados en la red neuronal convolucional U-Net y se ha evaluado su rendimiento con un conjunto de datos de imágenes médicas de la parte inferior de la pierna, obtenidas de pacientes reales mediante tomografía computarizada.

Los resultados muestran que los algoritmos desarrollados alcanzan una alta precisión y supera asimismo a las técnicas más avanzadas existentes en el campo de la investigación. El buen funcionamiento de los modelos de segmentación supone un avance tanto en la supresión de la manipulación manual en el tratamiento de las imágenes radiológicas como en la mejora del proceso asistencial de los pacientes, incurriendo en un ahorro de costes y en una reducción del tiempo de diagnóstico.

Medical image segmentation is an essential step in a wide range of many medical procedures, from disease diagnosis to pharmacological treatment planning and monitoring. More to the point, the segmentation of CT images of long bones has an enormous impact in the field of trauma surgeries, therapies for bone fractures, and prevention and treatment of diseases related to the body’s bone tissues.

The objective of the project is to address the challenges presented by medical image segmentation and to explore and compare different applications of Deep Learning techniques to tackle the problem. As a subset in the field of machine learning, Deep Learning is an ML technique that uses neural networks to learn from massive amounts of data and make accurate and robust predictions. Given the increasing importance of these AI techniques in the field of medicine, a series of segmentation algorithms based on the U-Net convolutional neural network has been developed and their performance has been evaluated with a dataset of medical images of the lower leg obtained from real patients through computed tomography.

The results show that the developed algorithms achieve high accuracy and likewise outperform existing state-of-art techniques in the research field. The proper functioning of these segmentation models is an advance in the suppression of manual handling in the treatment of radiological images and in the improvement of the healthcare process of patients, incurring cost savings and in a reduction of the time for diagnosis.