Análisis basado en aprendizaje profundo de biomarcadores de la retina en la región macular para la detección de trastornos neurodegenerativos mediante imágenes de OCT

Abstract

[Resumen]: Este Trabajo de Fin de Grado se centra en el desarrollo de un sistema avanzado de aprendizaje profundo para la identificación temprana de biomarcadores en imágenes de tomografía de coherencia óptica (OCT), destinado a mejorar el diagnóstico de enfermedades neurodegenerativas como Alzheimer (EA), Parkinson (EP), Esclerosis Múltiple (EM) y Temblor Esencial (TE). Estas enfermedades suponen un reto global significativo debido a su creciente prevalencia y su impacto en la calidad de vida. El diagnóstico precoz es esencial para una gestión efectiva y la mitigación de su avance. La colaboración con el Servicio de Oftalmología del Hospital Universitario Miguel Servet en Zaragoza ha proporcionado un conjunto de datos único, permitiendo el uso de técnicas de procesamiento de imágenes de vanguardia para un análisis detallado de la estructura retiniana. Se han implementado métodos avanzados para la segmentación automática de capas retinianas críticas como la Capa de Fibras Nerviosas (RNFL) y la interfaz entre la Capa de Células Ganglionares y la Membrana de Bruch (GCL-BM). Este enfoque ha facilitado la generación de mapas detallados del grosor retiniano y la identificación de patrones anómalos que indican neurodegeneración. Además, se ha realizado un análisis regional específico de la región macular, subdividiéndola en cuadrantes para permitir un estudio detallado y correlacionar las variaciones en el grosor retiniano con la presencia o evolución de las enfermedades. Este sistema no solo busca aliviar la carga de trabajo de los neuro-oftalmólogos mediante la automatización del análisis, sino que también promete incrementar la precisión diagnóstica, permitiendo intervenciones más tempranas que podrían mejorar significativamente la calidad de vida de los pacientes. Los resultados obtenidos en este estudio son muy prometedores, demostrando la capacidad del sistema desarrollado para mejorar significativamente la precisión y velocidad en el diagnóstico de enfermedades neurodegenerativas. Además, el sistema tiene un gran potencial para ser implementado en la práctica clínica diaria, facilitando intervenciones tempranas y una mejor gestión de estas patologías. Este enfoque innovador abre nuevas oportunidades para la investigación futura y su posible aplicación en otros ámbitos de la neuro-oftalmología, con el objetivo de seguir avanzando en la mejora del diagnóstico y tratamiento de enfermedades que afectan la calidad de vida de millones de personas.

[Abstract]: This Final Degree Project focuses on the development of an advanced deep learning system for the early identification of biomarkers in optical coherence tomography (OCT) images, aimed at improving the diagnosis of neurodegenerative diseases such as Alzheimer’s (EA), Parkinson’s (EP), Multiple Sclerosis (EM), and Essential Tremor (TE). These diseases represent a significant global challenge due to their increasing prevalence and their impact on quality of life. Early diagnosis is essential for effective management and the mitigation of disease progression. Collaboration with the Ophthalmology Service at the Miguel Servet University Hospital in Zaragoza provided a unique dataset, enabling the use of cutting-edge image processing techniques for a detailed analysis of retinal structure. Advanced methods were implemented for the automatic segmentation of critical retinal layers, such as the Nerve Fiber Layer (RNFL) and the interface between the Ganglion Cell Layer and Bruch’s Membrane (GCL-BM). This approach has facilitated the generation of detailed retinal thickness maps and the identification of abnormal patterns indicative of neurodegeneration. Additionally, a specific regional analysis of the macular region was carried out, subdividing this area into quadrants to allow for a detailed study and correlate retinal thickness variations with the presence or progression of these diseases. This system not only aims to ease the workload of neuroophthalmologists by automating the analysis process but also promises to improve diagnostic accuracy, enabling earlier interventions that could significantly enhance the quality of life for patients. The results obtained in this study are highly promising, demonstrating the system’s ability to significantly improve both the accuracy and speed of diagnosing neurodegenerative diseases. Furthermore, the system has great potential to be implemented in daily clinical practice, facilitating early interventions and better management of these pathologies. This innovative approach opens new opportunities for future research and potential applications in other areas of neuro-ophthalmology, with the aim of continuing to advance the diagnosis and treatment of diseases that affect the quality of life of millions of people.