Análisis automático de cambios en la morfología retiniana y coroidea en imágenes OCT asociados a terapias hiperbáricas mediante Deep Learning

Abstract

[Resumen]: La evaluación de la respuesta a terapias como la de oxígeno en cámara hiperbárica (HBOT) requiere un análisis preciso de la morfología ocular. En el ámbito clínico, esta evaluación se basa comúnmente en imágenes de Tomografía de Coherencia Óptica (OCT). Sin embargo, la interpretación manual de estas imágenes es un proceso que consume mucho tiempo y está sujeto a variabilidad, lo que limita su objetividad y eficiencia. En este contexto, el presente Trabajo de Fin de Grado aborda el desafío mediante el desarrollo de un sistema avanzado de Aprendizaje Profundo (DL) para la segmentación automática y el análisis cuantitativo de las capas de la retina y la coroides. Este enfoque innovador permite extraer biomarcadores de grosor de manera precisa y reproducible, facilitando una evaluación objetiva y detallada de los cambios morfológicos asociados a la terapia. El sistema propuesto demostró una alta precisión en la identificación de las capas, lo que posibilitó un análisis robusto de los datos. Se lograron identificar correlaciones morfológicas entre las capas oculares y detectar asimetrías anatómicas que subyacen en cambios inducidos por el tratamiento. Los resultados son muy prometedores, confirmando la capacidad del sistema para detectar patrones complejos de respuesta biológica que podrían pasar desapercibidos en un análisis manual. Dicha metodología no solo optimiza el proceso de análisis de imágenes OCT, sino que también tiene un gran potencial para ser integrada en la práctica clínica diaria, facilitando una monitorización más precisa de diversas patologías oculares y la validación de futuras terapias.[Abstract]: The evaluation of the response to therapies such as hyperbaric oxygen therapy (HBOT) requires accurate analysis of the ocular morphology. In the clinical setting, this evaluation is commonly based on Optical Coherence Tomography (OCT) images. However, manual interpretation of these images is a time-consuming process and is subject to variability, which limits its objectivity and efficiency. In this context, this Final Degree Project addresses the challenge by developing an advanced Deep Learning (DL) system for the automatic segmentation and quantitative analysis of the layers of the retina and choroid. This innovative approach allows for the accurate and reproducible extraction of thickness biomarkers, facilitating an objective and detailed assessment of the morphological changes associated with therapy. The proposed system demonstrated high accuracy in identifying the layers, enabling robust data analysis. Morphological correlations between the ocular layers were identified, and anatomical asymmetries underlying treatment-induced changes were detected. The results are very promising, confirming the system’s ability to detect complex patterns of biological response that could go unnoticed in a manual analysis. This methodology not only optimizes the image analysis process OCT but also has great potential for integration into daily clinical practice, facilitating more accurate monitoring of various eye diseases and the validation of future therapies.