Generación de secuencias cine-MRI cardiacos utilizando modelos generativos de aprendizaje profundo
No Thumbnail Available
Date
2019
Authors
Advisors
Evaluators
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Industrial de Santander
Abstract
Una restricción fuerte en la generación de imágenes médicas es la presencia de artefactos que pueden alterar la estructura anatómica y causar la perdida de interpretación clínica en estas imágenes médicas. Adicionalmente, enfoques actuales están dedicados a reproducir características visuales y similitudes entre imágenes sin prestar atención a variaciones en la estructura que sugieren comportamientos patológicos de estructuras vivientes. Particularmente para las secuencias cardiacas cine-MRI, la existencia de estos problemas afecta en gran medida el diagnóstico emitido por el experto, debido a que la descripción morfológica de los ventrículos es fundamental para llevar a cabo este. Este trabajo introduce una estrategia con una red generativa adversaria progresiva (PGAN) que permite emular secuencias cardiacas cine-MRI con sentido patológico, es decir, que tengan características de una patología cardiaca. Un conjunto etiquetado de secuencias cine-MRI, de cinco condiciones cardiacas diferentes, es usado como condición de entrenamiento para recuperar imágenes cardiacas con sentido clínico. La PGAN comienza generando imágenes con detalles generales de las secuencias cine-MRI de baja resolución, hasta imágenes detalladas de alta resolución MRI. En cada iteración progresiva, una etiqueta indicando la condición cardiaca, restringe la generación de nuevas imágenes MRI, permitiendo emular una patología particular. Utilizando la red generativa entrenada, las imágenes generadas son propagadas hacia atrás a través de la red para obtener su correspondiente descriptor embebido. El conjunto de vectores embebidos de diferentes condiciones cardiacas es proyectado a un espacio de baja dimensionalidad para llevar a cabo una tarea no supervisada de agrupamiento. Como era de esperarse, los vectores embebidos que emulan la misma condición cardiaca están más cerca. Estos vectores embebidos también fueron usados para construir un problema de clasificación supervisada, consiguiendo un puntaje promedio del 80% de precisión en la tarea de clasificación de imágenes cine-MRI.
Description
Keywords
Gans Progresivas, Emulación De Patrones De Movimiento, Cine-Mri.