Aplicación de modelos de aprendizaje profundo a segmentación de imágenes IVUS

Abstract

[SPA] Este trabajo aborda la segmentación simultánea de los contornos del lumen y el vaso sanguíneo en imágenes de IVUS, lo que podría suponer una valiosa ayuda para los cardiólogos en la toma de decisiones durante la Intervención Coronaria Percutánea. Con este propósito, se escogió un modelo de Deep Learning, Deeplabv3+, con Modified Alligned Xception como columna vertebral de la red, y se utilizaron datos del ensayo FFR react trial. Además, se aplicaron técnicas avanzadas tales como aumento de datos, optimización de hiperparámetros mediante búsqueda bayesiana y postprocesado de las predicciones mediante morfología matemática para mejorar las prestaciones del flujo de trabajo elegido. La implementación final optimizada obtuvo, para el caso de imágenes sin stent, una puntuación Dice de 0,952 y 0.960 para el lumen y la pared vascular, respectivamente, y una distancia Hausdorff de 0.207 mm y 0.278 mm para el contorno del lumen y la pared vascular, respectivamente. En el caso de imágenes con stent, el lumen obtuvo un coeficiente de Dice de 0.967 y una Distancia Hausdorff de 0.242 mm, mientras que la pared vascular obtuvo unos valores de 0.940 y 0.455 mm, respectivamente. Esto demuestra que el enfoque aquí presentado es capaz de realizar una detección robusta y precisa del contorno del lumen y la pared vascular en imágenes IVUS. [ENG] This work addresses the simultaneous segmentation of lumen and vessel contours in IVUS images, which could be a valuable assist for cardiologists in decision making during Percutaneous Coronary Intervention. For this purpose, a Deep Learning model, Deeplabv3+, with Modified Alligned Xception as backbone of the network was chosen, and data from the FFR react trial were used. Additionally, advanced techniques such as data augmentation, Bayesian search hyperparameter optimization and post-processing using mathematical morphology were applied to improve the performance of the chosen framework. The final optimized implementation obtained, for the case of images with no stent, a Dice score of 0.952 and 0.960 for the lumen and vascular wall, respectively, and a Hausdorff distance of 0.207 mm and 0.278 mm for the lumen and vascular wall contour, respectively. In the case of images with stent, the lumen obtained a Dice coefficient of 0.967 and a Hausdorff Distance of 0.242 mm, while the vascular wall obtained values of 0.940 and 0.455 mm, respectively. This proves that the approach presented here is capable of robust and accurate detection of the lumen and vascular wall contours in IVUS images.