Detección y Segmentación Semántica de Displasias Corticales Focales en Sujetos con Epilepsia Refractaria por Medio de Imágenes de Resonancia Magnética y Aprendizaje Profundo

Abstract

La epilepsia es una enfermedad que afecta aproximadamente a 50 millones de personas alrededor del mundo y se caracteriza por episodios convulsivos recurrentes que, cuando son resistentes al tratamiento médico, se le denomina epilepsia refractaria. Esta condición se presenta en aproximadamente el 30 % de los casos de epilepsia y una de sus posibles causas es la presencia de malformaciones en la corteza cerebral conocidas como displasias corticales focales (FCD, por sus siglas en inglés). Estas pequeñas malformaciones suelen ser casi imperceptibles en las imágenes de resonancia magnética (MRI, por sus siglas en inglés) y escapan de la vista del radiólogo con considerable frecuencia. Por esta razón y dado que la correcta detección y segmentación de FCD es clave en el éxito de la cirugía, se hace necesario el desarrollo de técnicas computacionales para automatizar el proceso de diagnóstico. Uno de los métodos más efectivos para el reconocimiento de patrones en imágenes son las técnicas de aprendizaje profundo. En este trabajo se desarrolla una metodología basada en algoritmos de aprendizaje profundo para la detección y segmentación automática de FCD. Se cuenta con un conjunto de datos propio de volúmenes MRI que contiene pacientes con FCD delineados por un experto y controles. Sin embargo, debido al bajo número de estudios, los modelos de detección y segmentación propuestos son inicialmente entrenados con un conjunto de datos público de tumores cerebrales que contiene mayor cantidad de datos. Posteriormente, mediante transferencia de aprendizaje, los modelos son ajustados para detectar y delinear FCD. Como resultado, se entrenaron modelos que pueden detectar y segmentar la zona de la malformación de FCD, los cuales pueden ser usados como apoyo al diagnóstico por parte de expertos