Cálculo de dimensiones de regiones de interés del cerebro en resonancias magnéticas

Abstract

El uso de la informática como herramienta de ayuda a la medicina es una realidad. El manejo de la información es algo integrado en la práctica clínica. Algunas de las aplicaciones más conocidas se encuentran en el diagnóstico por imagen. Debido a la calidad de la imagen y la sensibilidad, la MRI está considerada actualmente como la mejor prueba para evaluar las anormalidades o trastornos en el ser humano. Una de las últimas tendencias en el campo de la bioinformática, es la aplicación del "machine learning" como herramienta de evaluación de estas pruebas médicas. Este trabajo se centra en explorar este campo y definir un escenario de trabajo donde poder unir estas dos tecnologías. Tomando como referencia inicial FreeSurfer, una de las herramientas más populares en el estudio de las MRI, intentaremos obtener los mismos resultados utilizando un sistema de inteligencia artificial. Comenzaremos nuestro trabajo analizando las capacidades de FreeSurfer y seleccionando de entre todas las medidas que calcula nuestro objetivo inicial. A continuación, analizaremos las opciones de fuentes de datos y el formato de estos datos de cara a disponer de la suficiente información para poder entrenar y verificar nuestros sistemas. Por último, seleccionaremos un entorno de trabajo para nuestros modelos de inteligencia artificial, los configuraremos y los entrenaremos con la finalidad de descubrir el nivel de precisión que nuestros resultados pueden llegar a tener. El trabajo termina con una evaluación de los resultados obtenidos, una lista de conclusiones y propuestas de evolución.

The use of information technology as a tool to help medicine is a reality. The management of information is something integrated in clinical practice. Some of the most well-known applications are found in diagnostic imaging. Due to the quality of the image and sensitivity, MRI is currently considered the best test to evaluate abnormalities or disorders in humans. One of the latest trends in the field of bioinformatics is the application of "machine learning" as a tool for evaluating these medical tests. This work focuses on exploring this field and defining a framework where we can merge these two technologies. Taking as initial reference FreeSurfer, one of the most popular tools in the study of MRI, we will try to obtain the same results using an artificial intelligence system. We will start our work analyzing the capabilities of FreeSurfer and selecting among all the measures that calculate our initial objective. Next, we will analyze the options of data sources and the format of these data in order to have enough information to be able to train and verify our systems. Finally, we will select a work environment for our artificial intelligence models, we will configure them and train them in order to discover the level of precision that our results may have. The work ends with an evaluation of the obtained results, a list of conclusions and proposals to evolve the system.

L'ús de la informàtica com a eina d'ajuda a la medicina és una realitat. El maneig de la informació és alguna cosa integrat en la pràctica clínica. Algunes de les aplicacions més conegudes es troben en el diagnòstic per imatge. A causa de la qualitat de la imatge i la sensibilitat, la MRI està considerada actualment com la millor prova per avaluar les anormalitats o trastorns en l'ésser humà. Una de les últimes tendències en el camp de la bioinformática, és l'aplicació del "machine learning" com a eina d'avaluació d'aquestes proves mèdiques. Aquest treball se centra a explorar aquest camp i definir un escenari de treball on poder unir aquestes dues tecnologies. Prenent com a referència inicial FreeSurfer, una de les eines més populars en l'estudi de les MRI, intentarem obtenir els mateixos resultats utilitzant un sistema d'intel·ligència artificial. Començarem el nostre treball analitzant les capacitats de FreeSurfer i seleccionant d'entre totes les mesures que calcula el nostre objectiu inicial. A continuació, analitzarem les opcions de fonts de dades i el format d'aquestes dades de cara a disposar de la suficient informació per poder entrenar i verificar els nostres sistemes. Finalment, seleccionarem un entorn de treball per als nostres models d'intel·ligència artificial, els configurarem i els entrenarem amb la finalitat de descobrir el nivell de precisió que els nostres resultats poden arribar a tenir. El treball acaba amb una avaluació dels resultats obtinguts, una llista de conclusions i propostes d'evolució.