Por favor, use este identificador para citar o enlazar este ítem:
https://hdl.handle.net/20.500.12104/98102
Registro completo de metadatos
Campo DC | Valor | Lengua/Idioma |
---|---|---|
dc.contributor.author | Martín Alcalá, Héctor Emanuel | |
dc.date.accessioned | 2024-03-11T18:31:39Z | - |
dc.date.available | 2024-03-11T18:31:39Z | - |
dc.date.issued | 2023-12-11 | |
dc.identifier.uri | https://wdg.biblio.udg.mx | |
dc.identifier.uri | https://hdl.handle.net/20.500.12104/98102 | - |
dc.description.abstract | En México y en el mundo, las enfermedades cardiovasculares son la principal causa de muerte. El diagnóstico de algunos de estos padecimientos requieren de una exploración mediante una técnica llamada “angiografía vascular”, en la cual el personal médico busca indicios de estenosis. La estenosis es un estrechamiento en el lumen del tejido vascular, que afecta al flujo sanguíneo local y evita la irrigación adecuada de los órganos perfundidos. Este padecimiento requiere de un tratamiento adecuado para evitar complicaciones, por ejemplo, ataques al corazón. La correcta identificación y clasificación de las estenosis encontradas son las bases para definir el plan de tratamiento, considerando la estimación de propiedades como la longitud, el porcentaje, etc. del estrechamiento en una estenosis. Tomando esto en cuenta, un método computacional que puede identificarlas representa una herramienta invaluable para una mejor decisión clínica. El objetivo de esta tesis es desarrollar un método computacional que sea capaz de identificar probables estenosis en angiografías, apoyándose de imágenes sintéticas generadas a partir de angiografías y su correspondiente segmentación. Para el entrenamiento del modelo de generación de imágenes sintéticas se utiliza la base de datos pública de angiografías DCA1, que cuenta con 134 angiografías monoplanares de arterias principales, apoyándose en el algoritmo de segmentación propuesto en esta tesis, mientras que el modelo de detección de estenosis se entrena con estas imágenes y un grupo de imágenes sintéticas. La detección de estenosis es evaluada utilizando métricas de la matriz de confusión. Los resultados utilizando imágenes tanto sintéticas como reales en entrenamiento demuestran una exactitud de 80.50%, mientras que el entrenamiento sin imágenes sintéticas cuenta con una exactitud de 74.07 %. Además, la identificación de posibles estenosis sin utilizar imágenes sintéticas en entrenamiento pasa de 72.22 % a 88.88 % cuando sí se utilizan dichas imágenes. El método desarrollado representa una herramienta multipropósito que permite la segmentación precisa de vasos sanguíneos en angiografías, el filtrado de las mismas, la generación de angiografías a partir de trazos representativos simples y la correcta identificación de estenosis en angiografía monoplanar. | |
dc.description.tableofcontents | Índice general Agradecimientos ii Dedicatoria iii Resumen vii Abstract ix 1. Introducción 1 1.1. Enfermedades cardiovasculares . . . . . . . . . . . . . . . . . . . . . . 2 1.2. Métodos computacionales en la cardiología intervencionista . . . . . . 4 1.3. Trabajos previos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.4. Planteamiento del problema . . . . . . . . . . . . . . . . . . . . . . . 7 1.5. Justificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.6. Hipótesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.7. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.7.1. Objetivo general . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.7.2. Objetivos particulares . . . . . . . . . . . . . . . . . . . . . . 10 2. Marco teórico 11 2.1. Antecedentes biológicos . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.1.1. Estenosis vascular . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.1.2. Diagnóstico y tratamiento . . . . . . . . . . . . . . . . . . . . 13 2.2. Antecedentes matemáticos . . . . . . . . . . . . . . . . . . . . . . . . 14 2.2.1. Procesamiento digital de imágenes . . . . . . . . . . . . . . . 14 2.2.2. Métodos para mejora de contraste basados en histograma . . . 17 2.2.3. Métodos de binarización basados en histograma . . . . . . . . 17 2.2.4. Métodos de detección de estructuras curvilíneas . . . . . . . . 19 2.2.5. Características morfológicas en componentes conexos . . . . . 19 2.2.6. Redes neuronales artificiales . . . . . . . . . . . . . . . . . . . 20 2.2.7. Redes neuronales convolucionales . . . . . . . . . . . . . . . . 22 2.2.8. Redes generativas adversariales . . . . . . . . . . . . . . . . . 22 2.2.9. Desenlace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 3. Métodos 24 3.1. Trabajo propuesto . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 3.2. Base de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 3.3. Segmentación de arterias en angiografías . . . . . . . . . . . . . . . . 26 3.4. Generación de angiografías sintéticas . . . . . . . . . . . . . . . . . . 29 3.4.1. Entrenamiento de una red generativa adversarial . . . . . . . . 29 3.4.2. Evaluación de la red generativa . . . . . . . . . . . . . . . . . 31 3.4.3. Generación de angiografías sintéticas . . . . . . . . . . . . . . 31 3.5. Identificación automática de estenosis . . . . . . . . . . . . . . . . . . 32 3.5.1. Etiquetado de las imágenes . . . . . . . . . . . . . . . . . . . 33 3.5.2. Preprocesamiento de imágenes . . . . . . . . . . . . . . . . . . 33 3.5.3. Entrenamiento de la red neuronal convolucional . . . . . . . . 34 3.6. Validación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 4. Resultados y discusión 38 4.1. Evaluación de la segmentación de arterias . . . . . . . . . . . . . . . 38 4.1.1. Resultados de la segmentación de arterias . . . . . . . . . . . 38 4.2. Evaluación de generación de angiografías sintéticas . . . . . . . . . . 40 4.2.1. Resultados de la generación de angiografías sintéticas . . . . . 40 4.3. Evaluación de la identificación automática de estenosis . . . . . . . . 41 4.3.1. Resultados de la identificación de probables estenosis . . . . . 41 5. Conclusiones 51 5.1. Trabajo futuro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 Referencias 53 | |
dc.format | application/PDF | |
dc.language.iso | spa | |
dc.publisher | Biblioteca Digital wdg.biblio | |
dc.publisher | Universidad de Guadalajara | |
dc.rights.uri | https://www.riudg.udg.mx/info/politicas.jsp | |
dc.subject | Generacion De Imagenes Medicas | |
dc.subject | Deteccion De Estenosis | |
dc.subject | Metodo De Asistencia Clinica | |
dc.title | Métodos computacionales para la detección de estenosis vascular en angiografía monoplanar | |
dc.type | Tesis de Maestría | |
dc.rights.holder | Universidad de Guadalajara | |
dc.rights.holder | Martín Alcalá, Héctor Emanuel | |
dc.coverage | GUADALAJARA, JALISCO | |
dc.type.conacyt | masterThesis | |
dc.degree.name | MAESTRIA EN CIENCIAS EN BIOINGENIERIA Y COMPUTO INTELIGENTE | |
dc.degree.department | CUCEI | |
dc.degree.grantor | Universidad de Guadalajara | |
dc.rights.access | openAccess | |
dc.degree.creator | MAESTRIA EN CIENCIAS EN BIOINGENIERO EN Y COMPUTO INTELIGENTE | |
dc.contributor.director | Mendizabal Ruiz, Eduardo Gerardo | |
dc.contributor.codirector | Álvarez Padilla, Francisco Javier | |
Aparece en las colecciones: | CUCEI |
Ficheros en este ítem:
Fichero | Tamaño | Formato | |
---|---|---|---|
MCUCEI10893FT.pdf | 19.71 MB | Adobe PDF | Visualizar/Abrir |
Los ítems de RIUdeG están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.