Generación y clasificación de imágenes de MRI mediante modelos de difusión y aprendizaje profundo.

Abstract

Las técnicas de deep learning están adquiriendo un papel cada vez más rele vante en el ámbito médico, siendo su capacidad para analizar grandes volúmenes de datos un gran apoyo al diagnóstico clínico. Este trabajo de fin de grado se cen tra en la exploración de herramientas basadas en aprendizaje profundo para la detección automática de lesiones cerebrales a partir de imágenes de resonancia magnética (MRI), con el objetivo de evaluar su aplicabilidad en entornos médicos reales. Para alcanzar este objetivo, se ha utilizado una herramienta basada en la ar quitectura ResNet-18 desarrollando un clasificador adaptado al ámbito médico y que realice la segmentación que nos interesa. Por otro lado, la naturaleza de las imágenes y del propio trabajo hacen que aparezca una serie de dificultades que representa la otra gran tarea del proyecto. Uno de los principales retos a los que se enfrenta este tipo de aplicaciones es la limitada disponibilidad de datos. Para abordar esta limitación, se ha implemen tado un modelo de difusión guiada (guided diffusion) que permite la generación de imágenes sintéticas a partir de un conjunto reducido de muestras reales. Estas imágenes se emplean como apoyo al entrenamiento del clasificador. El trabajo se orienta a analizar si la incorporación de datos sintéticos puede contribuir a mejorar la capacidad de generalización del modelo de clasificación.