Síntesis de imágenes médicas OCT a partir de máscaras de segmentación usando Deep Learning

Abstract

[Resumen] Este Trabajo de Fin de Grado propone un sistema generativo basado en aprendizaje profundo para sintetizar imágenes fotorrealistas de Tomografía de Coherencia Óptica (OCT), con el objetivo de mitigar la escasez de datos médicos anotados. La síntesis utiliza una arquitectura convolucional de tipo U-Net condicionada mediante máscaras multicanal, lo que obliga al modelo a respetar la topología original y evita la generación de anomalías visuales. El proyecto incluye un estudio empírico exhaustivo sobre el impacto de distintas funciones de pérdida en la textura generada. Además, se propone un riguroso marco de validación independiente, consistente en evaluar las imágenes generadas mediante un modelo de segmentación de capas para analizar tanto los resultados obtenidos como las activaciones latentes. Por último, el sistema probó su capacidad de generalización al sintetizar tejido continuo sobre cortes interpolados a partir de cortes reales consecutivos del cubo OCT, validando su utilidad clínica para aumentar artificialmente la resolución de volúmenes OCT. Los resultados permiten identificar la función de pérdida óptima para alcanzar la mayor fidelidad perceptual. En conjunto, el sistema desarrollado se consolida como una herramienta robusta y escalable para la generación de bases de datos médicas, reduciendo la dependencia de costosas anotaciones manuales y facilitando el entrenamiento de futuros algoritmos de diagnóstico oftalmológico.

[Abstract] This Final Degree Project proposes a deep learning-based generative system to synthesize photorealistic Optical Coherence Tomography (OCT) images, aiming to mitigate the scarcity of annotated medical data. The synthesis employs a U-Net convolutional architecture conditioned by multi-channel masks, which forces the model to respect the original topology and prevents the generation of visual anomalies. The project includes an exhaustive empirical study on the impact of different loss functions on the generated texture. Additionally, a rigorous independent validation framework is proposed, consisting of the evaluation of the generated images using a layer segmentation model to analyze both the obtained results and the latent activations. Finally, the system tested its generalization capacity by synthesizing continuous tissue over interpolated cuts from consecutive real cuts of the OCT cube, validating its clinical utility to artificially increase the resolution of OCT volumes. The results allow identifying the optimal loss function to achieve the highest perceptual fidelity. Overall, the developed system establishes itself as a robust and scalable tool for generating medical databases, reducing the dependency on costly manual annotations and facilitating the training of future ophthalmic diagnostic algorithms.