Aplicación de modelos de Vision Transformer para la segmentación de imágenes en esclerosis múltiple.

Abstract

La esclerosis múltiple es una enfermedad autoinmune, neurodegenerativa y crónica que afecta al sistema nervioso central, y que puede provocar una pérdida progresiva de funciones motoras, sensoriales y cognitivas. Es esencial detectarla a tiempo y realizar un seguimiento de la enfermedad para mejorar la calidad de vida de los pacientes. La resonancia magnética (RM) es la herramienta principal para identificar lesiones características de esta enfermedad, aunque su interpretación manual es compleja, subjetiva y propensa a errores. En este Trabajo de Fin de Grado se propone una solución basada en inteligencia artificial, específicamente en aprendizaje profundo (deep learning), para automatizar la segmentación de imágenes de resonancia magnética de pacientes con esta enfermedad, permitiendo visualizar las lesiones cerebrales. Para ello, se han utilizado modelos de tipo Vision Transformer (ViT), que es una arquitectura reciente que ha demostrado superar algunas limitaciones de las redes convolucionales que se habían usado tradicionalmente hasta ahora. Primero, se ha obtenido y preprocesado un conjunto de imágenes de RM multimodales (T1, T2, FLAIR) para asegurar que sean homogéneas y poder usarlas en el entrenamiento. Después se han entrenado y evaluado varios modelos ViT, escogiendo finalmente el de mejor rendimiento. Por otra parte, se ha construido una aplicación web interactiva y sencilla que utiliza el mejor modelo entrenado previamente para generar la segmentación, en la que el personal sanitario podrá subir las imágenes correspondientes y visualizar la segmentación. Por último, se incluyen una serie de propuestas para mejoras en el futuro, así como una guía de instalación para desplegar y utilizar la aplicación en cualquier dispositivo.