Diagnóstico de esclerosis múltiple mediante el análisis de imágenes de tomografía de coherencia óptica con redes neuronales convolucionales

  1. R. Barea 1
  2. M. Ortiz 2
  3. E. García Martin 3
  4. M.J. Rodrigo 3
  5. E. Vilades 3
  6. A. López Dorado 1
  7. R. Gutiérrez 1
  8. C. Cavaliere 1
  9. L. Boquete 1
  1. 1 Universidad de Alcalá, España
  2. 2 University of Melbourne, Australia
  3. 3 Universidad de Zaragoza
    info

    Universidad de Zaragoza

    Zaragoza, España

    ROR https://ror.org/012a91z28

Show affiliations +
Book:
XXXVIII Congreso Anual de la Sociedad Española de Ingeniería Biomédica. CASEIB 2020: Libro de actas
  1. Roberto Hornero Sánchez (ed. lit.)
  2. Jesús Poza Crespo (ed. lit.)
  3. Carlos Gómez Peña (ed. lit.)
  4. María García Gadañón (ed. lit.)

Publisher: Grupo de Ingeniería Biomédica ; Universidad de Valladolid

ISBN: 978-84-09-25491-0

Year of publication: 2020

Pages: 472-475

Congress: Congreso Anual de la Sociedad Española de Ingeniería Biomédica CASEIB (38. 2020. Valladolid)

Type: Conference paper

DIALNET GOOGLE SCHOLAR

Abstract

El objetivo de este trabajo es investigar la capacidad diagnóstica de la enfermedad de esclerosis múltiple (EM) utilizando datos de los espesores de diferentes capas de la retina, obtenidos mediante Tomografía de Coherencia Óptica (OCT) y clasificados mediante una red neuronal convolucional (RNC). Se dispone de imágenes de OCT de 48 sujetos de control y 48 pacientes EM (recurrente-remitente) de diagnóstico reciente, con los espesores (45x60 puntos) de las siguientes estructuras retinianas: retina completa, capa de fibras nerviosas (RNFL), dos capas de células ganglionares (GCL+, GCL++) y coroides. Mediante el análisis del área bajo la curva, se obtienen las estructuras con mayor capacidad discriminante controles vs EM. Se implementa una RNC formada por un módulo de extracción de características y un módulo de clasificación. Se utilizan como entradas a la RNC las imágenes de las estructuras más discriminantes. El entrenamiento y test se realiza mediante validación cruzada dejando uno fuera. En la base de datos disponible, las tres estructuras más discriminantes son GCL+, GCL++ y las imágenes de la retina completa. Utilizando las mismas en una RNC con un solo módulo de extracción de características (número de filtros: 64, dimensiones de cada filtro: 7x7, función de transformación: f(x)=max(0,x), reducción de datos en ventanas 2x2), se obtiene una precisión en la clasificación del 94,79%. Estos resultados sugieren que la utilización de técnicas de aprendizaje profundo para la clasificación de espesores de diferentes estructuras de la retina, obtenidas por OCT, puede contribuir al diagnóstico de EM.

Data source: Dialnet