Desarrollo de un método de segmentación automática de la retina para la detección de enfermedades neurodegenerativas mediante Geometric Deep Learning
![Thumbnail](/dspace/bitstream/handle/2183/34025/GarciaPrego_Ivan_TFG_2023.pdf.jpg?sequence=5&isAllowed=y)
Ver/Abrir
Use este enlace para citar
http://hdl.handle.net/2183/34025Colecciones
Metadatos
Mostrar el registro completo del ítemTítulo
Desarrollo de un método de segmentación automática de la retina para la detección de enfermedades neurodegenerativas mediante Geometric Deep LearningAutor(es)
Directores
Moura, Joaquim deOrtega Hortas, Marcos
Fecha
2023Centro/Dpto/Entidad
Universidade da Coruña. Facultade de InformáticaDescripción
Traballo fin de grao (UDC.FIC). Enxeñaría Informática. Curso 2022/2023Resumen
[Resumen]: Las enfermedades neurodegenerativas afectan a millones de personas en todo el mundo y
pueden disminuir significativamente la calidad de vida y en algunos casos llevar a la muerte.
Recientes estudios han demostrado que las enfermedades neurodegenerativas no solo afectan
el cerebro, sino que también pueden tener un impacto en la retina y el nervio óptico. Segmentar
e identificar estas enfermedades a partir de tomografía de coherencia óptica (OCT) es un
paso crítico para un diagnóstico temprano. No obstante, el desafío radica en que los efectos
de estas enfermedades en la retina suelen ser sutiles y difíciles de distinguir.
En este trabajo, presentamos una metodología robusta basada en técnicas de Geometric
Deep Learning para proporcionar un apoyo objetivo y mejorar el diagnóstico. La metodología
se compone de dos fases. En la primera, se realiza una segmentación automática de las capas
de la retina en imágenes OCT empleando nnU-Net, una arquitectura de aprendizaje profundo
clásico. En la segunda, utilizamos los resultados de la segmentación en diferentes arquitecturas
de Geometric Deep Learning como PointNet++ y DGCNN, aprovechando la información
geométrica de todo el volumen OCT.
Una de las mayores ventajas de utilizar Geometric Deep Learning en este contexto es su
eficiencia en el uso de datos. Estas arquitecturas son especialmente aptas para trabajar con
datos estructurados de manera irregular, como son las nubes de puntos en imágenes tridimensionales.
Esto nos permite hacer un uso más eficiente de los datos disponibles, extrayendo
patrones y relaciones complejas que serían difíciles de capturar con métodos convencionales.
Además, la capacidad de estas arquitecturas para trabajar con diferentes números de puntos
en una nube ofrece un equilibrio eficaz entre precisión y eficiencia computacional.
El potencial de este estudio es considerable. Mejorar la precisión del diagnóstico de enfermedades
neurodegenerativas a través de técnicas no invasivas implica un diagnóstico seguro,
temprano y más preciso, que puede llevar a tratamientos más efectivos y a una mejora de la
calidad de vida del paciente. [Abstract]: Neurodegenerative diseases affect millions of people worldwide, significantly diminishing
their quality of life and, in some cases, leading to death. Recent studies have shown that
neurodegenerative diseases not only impact the brain but can also affect the retina and optic
nerve. Segmenting and identifying these diseases through Optical Coherence Tomography
(OCT) is a critical step for early diagnosis. However, the challenge lies in the fact that the
effects of these diseases on the retina are often subtle and difficult to distinguish.
In this work, we present a robust methodology based on Geometric Deep Learning techniques
to provide objective support and improve diagnosis. The methodology consists of two
phases. In the first phase, we perform automatic segmentation of the retinal layers in OCT
images using nnU-Net, a classic deep learning architecture. In the second phase, we employ
the segmentation results in different Geometric Deep Learning architectures like PointNet++
and DGCNN, leveraging the geometric information across the entire OCT volume.
One of the significant advantages of using Geometric Deep Learning in this context is its
data efficiency. These architectures are particularly suited for working with irregularly structured
data, such as point clouds in three-dimensional images. This allows us to make more
efficient use of available data, extracting complex patterns and relationships that would be
difficult to capture with conventional methods. Additionally, the capability of these architectures
to work with different numbers of points in a cloud offers an effective balance between
accuracy and computational efficiency.
The potential of this study is considerable. Improving the accuracy of diagnosing neurodegenerative
diseases through non-invasive techniques implies a safer, earlier, and more
accurate diagnosis, which can lead to more effective treatments and an improved quality of
life for the patient.
Palabras clave
Inteligencia artificial
Aprendizaje profundo
Tomografía de coherencia óptica
Neurooftalmología
Imagen médica
Geometric deep learning
Enfermedades neurodegenerativas
Artificial intelligence
Deep learning
Optical coherence tomography
Neuro-ophthalmology
Medical imaging
Geometric deep learning
Neurodegenerative diseases
Aprendizaje profundo
Tomografía de coherencia óptica
Neurooftalmología
Imagen médica
Geometric deep learning
Enfermedades neurodegenerativas
Artificial intelligence
Deep learning
Optical coherence tomography
Neuro-ophthalmology
Medical imaging
Geometric deep learning
Neurodegenerative diseases
Derechos
Atribución 3.0 España