Minería de datos aplicada a la detección de displasias corticales

Abstract

La displasia cortical focal (DCF) es la principal causa de epilepsia tanto en niños como en adultos. La resonancia magnética es una herramienta ideal para detectar el DCF ya que destaca por sus propiedades como la no invasividad y la capacidad de producir imágenes de alta resolución. Las lesiones de la DCF varían en tamaño, forma y ubicación para diferentes pacientes y hacen que la detección manual requiera mucho tiempo y deba ser realizada por un experto. La segmentación automática de las lesiones DCF es un desafío debido a la diferencia en la intensidad de la señal en las imágenes adquiridas con diferentes máquinas, ruido y otros tipos de distorsiones. La mayoría de los métodos propuestos en la literatura utilizan técnicas convencionales de procesamiento de imágenes y aprendizaje automático en las que su precisión se basa en las características extraídas de las imágenes con las que se entrena. Por lo tanto, la extracción de características debe realizarse con la mayor precisión posible, lo que requerirá la inclusión de conocimiento por parte del experto. La capacidad de aprender las características y representaciones que queremos a partir de los datos de entrenamiento sin ningún tipo de intervención humana hace que la red neuronal convolucional (CNN) sea un método adecuado para abordar estos inconvenientes. Por lo que sabemos, este trabajo es de los primeros en utilizar un modelo basado en CNN para resolver el problema mencionado anteriormente utilizando imágenes Flair y T1. En este proyecto se personaliza la popular arquitectura EfficientNet modificando las últimas capas de la red y entrenando el modelo propuesto desde cero (utilizando imágenes de resonancias magnéticas adquiridas con escáneres 1.5T y 3T). La tasa de detección de DCF del modelo propuesto tiene un porcentaje de precisión del 84.466 % sobre el último paciente facilitado.