Detección de estenosis en imágenes coronariográfícas aplicando aprendizaje profundo

Abstract

Hoy en día las cardiopatías son una de las principales causas de muerte, siendo esencial crear y mantener protocolos de prevención junto con un correcto diagnóstico para aquellos que sufran una enfermedad cardiovascular. Una de estas enfermedades es la estenosis coronaria, patología que debido al estrechamiento de las arterias coronarias puede llegar a producir un infarto del miocardio o incluso la muerte. Para su diagnostico se realiza una coronariografía, prueba que consiste en realizar una tinción de las arterias mediante el uso de un catéter, el cual permite visualizar el estado de las arterias mediante rayos X. Las imágenes coronariográficas son el resultado de dicha prueba. En este estudio se utilizarán regiones de dichas imágenes coronariográficas para entrenar un modelo usando una red neuronal densa desde cero, junto con redes pre-entrenadas como ResNet50, EfficientNetB4 y MobileNet, y clasificarlas como imagen con estenosis o sin estenosis. Se hará uso de la validación cruzada en el entrenamiento para obtener un resultado que no dependa de la división del conjunto en entrenamiento y test, debido al desbalanceo de las clases del conjunto, y además se aplicarán 4 técnicas diferentes de aumento de datos para intentar mejorar los resultados de los modelos. Estas técnicas son : muestreo y aumento del conjunto de datos, aumento de la clase minoritaria, aumento proporcional de los datos y datos sintéticos). Se evaluarán los modelos obtenidos con el conjunto de test y el que obtenga mejor resultado se usará como modelo de aprendizaje integrado en una aplicación web dónde cualquier usuario pueda introducir una imagen coronariográfica. En la parte del servidor de la aplicación web se dividirá la imagen coronariográfica en regiones de 32x32 y se aplicará a cada región un algoritmo de detección de estenosis usando dicho modelo y se localizará en la imagen introducida por el usuario dónde se encuentra la estenosis.