Detección automática de fracturas en la columna cervical utilizando aprendizaje profundo en imágenes de tomografía computarizada

Abstract

[Resumen]: Las fracturas en la columna cervical son lesiones graves que representan un desafío crítico en el ámbito médico, dada su alta incidencia y las potenciales complicaciones, incluyendo parálisis y hasta la muerte. La detección temprana y precisa de estas fracturas es esencial para iniciar un tratamiento adecuado que minimice las secuelas y mejore la calidad de vida de los pacientes. Sin embargo, el proceso de diagnóstico puede ser complejo y está sujeto a la interpretación subjetiva de especialistas, lo que puede llevar a errores o diagnósticos tardíos. En este contexto, surge la necesidad de soluciones automatizadas que asistan a los profesionales de la salud en la identificación de fracturas cervicales. Este Trabajo de Fin de Grado (TFG) propone un enfoque innovador que combina técnicas de aprendizaje profundo con imágenes de tomografía computarizada (CT) para desarrollar un sistema automatizado de detección de fracturas en la columna cervical. El sistema propuesto se basa en redes neuronales convolucionales (CNN) y se organiza en tres fases: clasificación, segmentación de vértebras y detección de fracturas. En la fase de clasificación, el modelo es capaz de distinguir de manera automática entre imágenes que contienen fracturas y aquellas que no, permitiendo una preselección rápida y eficiente. Posteriormente, en la fase de segmentación, las vértebras son identificadas y aisladas en las imágenes, lo que facilita la localización precisa de las fracturas. Finalmente, en la fase de detección, el sistema no solo identifica las fracturas presentes, sino que también las delimita, proporcionando una herramienta potente para la evaluación clínica. Los experimentos realizados indican que el sistema es preciso y robusto, mostrando resultados prometedores en comparación con los métodos tradicionales. Su capacidad para procesar grandes volúmenes de datos rápidamente lo convierte en una herramienta valiosa en entornos clínicos. Este sistema automatizado tiene el potencial de mejorar el proceso de diagnóstico de fracturas cervicales, aliviando la carga de trabajo de los especialistas y mejorando los resultados para los pacientes. En conclusión, este TFG constituye un avance en la aplicación de la inteligencia artificial en la medicina y sienta las bases para futuras investigaciones en la detección automatizada de lesiones. Su integración en los flujos de trabajo clínicos podría transformar el diagnóstico y tratamiento de fracturas de la columna cervical, haciendo el cuidado más eficaz y eficiente.

[Abstract]: Fractures in the cervical spine are severe injuries that pose a critical challenge in the medical field due to their high incidence and potential complications, including paralysis and even death. Early and accurate detection of these fractures is essential to initiate appropriate treatment that minimizes sequelae and improves patients’ quality of life. However, the diagnostic process can be complex and is subject to the subjective interpretation of specialists, which may lead to errors or delayed diagnoses. In this context, there is a need for automated solutions that assist healthcare professionals in the identification of cervical fractures. This Bachelor’s Thesis proposes an innovative approach that combines deep learning techniques with computed tomography (CT) images to develop an automated system for detecting fractures in the cervical spine. The proposed system is based on convolutional neural networks (CNN) and is organized into three phases: classification, vertebrae segmentation, and fracture detection. In the classification phase, the model is capable of automatically distinguishing between images that contain fractures and those that do not, allowing for quick and efficient preselection. Subsequently, in the segmentation phase, the vertebrae are identified and isolated in the images, facilitating the precise localization of fractures. Finally, in the detection phase, the system not only identifies the fractures present but also delineates them, providing a powerful tool for clinical evaluation. The experiments conducted indicate that the system is accurate and robust, showing promising results compared to traditional methods. Its ability to quickly process large volumes of data makes it a valuable tool in clinical settings. This automated system has the potential to improve the cervical fracture diagnosis process, easing the workload of specialists and enhancing patient outcomes. In conclusion, this Bachelor’s Thesis represents an advance in the application of artificial intelligence in medicine and lays the groundwork for future research in automated injury detection. Its integration into clinical workflows could transform the diagnosis and treatment of cervical spine fractures, making care more effective and efficient.