Image analysis and deep learning to support endovascular repair of abdominal aortic aneurysms
- Miguel Ángel González Ballester Directeur/trice
- Ivan Macia Oliver Co-directeur
Université de défendre: Universitat Pompeu Fabra
Fecha de defensa: 11 juin 2019
- Pablo García Tahoces President
- Gemma Piella Secrétaire
- Raúl San José Estépar Rapporteur
Type: Thèses
Résumé
El aneurisma de aorta abdominal (AAA) es una dilatación focal de la aorta que puede provocar su ruptura. El tratamiento habitual es la reparación endovascular (EVAR), que conlleva un seguimiento postoperatorio de por vida en base a imágenes de angiografía por tomografía computarizada (CTA) para detectar posibles complicaciones. Esta tesis establece la base para el análisis inteligente de imágenes CTA para apoyar el seguimiento postoperatorio de los AAA, proporcionando a los profesionales médicos información valiosa para predecir el comportamiento del aneurisma. Primero, se han desarrolado algoritmos de segmentación de AAA a partir de CTA preoperatorias y postoperatorias, basados en redes neuronales convolucionales (CNN). Inicialmente, se han propuesto CNNs 2D para la detección y la segmentación de AAAs. Posteriormente, el algoritmo de segmentación se ha extendido a 3D para mejorar su precisión, ya que ésta es la base para un buen seguimiento. Permite medir el volumen del aneurisma, que se considera un mejor indicador de riesgo de ruptura del AAA que la aproximación actual en base a su diámetro. Además, permite realizar análisis más complejos de la morfología y las deformaciones del AAA. Una vez obtenida la segmentación, se ha propuesto una metodología para el registro de series de CTA postoperatorias y el subsiguiente análisis biomecánico de las deformaciones del aneurisma. Dichas deformaciones se han cuantificado mediante descriptores de imagen y se han correlacionado con el pronóstico del paciente a largo plazo. Los descriptores extraídos establecen la base para el desarrollo de futuros biomarcadores de imagen que puedan ser utilizados en la práctica clínica para evaluar el pronóstico del paciente y para dar soporte al médico en sus decisiones tras una intervención EVAR. Por último, la experiencia adquirida en la tesis ha permitido aplicar algunas de las tecnologías para la resolución de problemas de segmentación complejos en otros ámbitos médicos, como la segmentación del músculo pectoral en mamografías o la segmentación de la arteria pulmonar en CTA. Actualmente, se está llevando a cabo la validación del algoritmo de segmentación de AAA 3D propuesto en esta tesis, con el objetivo de integrarlo en un producto comercial.