Estimación automática de tejido fibroso en enfermedad pulmonar intersticial difusa utilizando imágenes médicas

Abstract

Un grupo amplio de patologías que comparten características clínicas y patológicas son las Enfermedades Pulmonares Intersticiales Difusas (EPID). A causa de estas manifestaciones clínicas, histológicas y radiológicas que comparten estas enfermedades el diagnóstico diferencial es difícil. La importancia en que el médico logre un diagnóstico efectivo recae en que la aplicación del tratamiento farmacológico y no farmacológico es específico para cada una de las enfermedades y el nivel de daño fibrótico que tiene el paciente. La cuantificación o estimación del tejido fibrótico se utiliza como un biomarcador del progreso de la enfermedad. Este tejido se genera a partir de un proceso de reparación del daño en las estructuras pulmonares, disminuyendo la capacidad del intercambio gaseoso. La tomografía computarizada es una de las herramientas más utilizadas para realizar la estimación de tejido fibrótico mediante la segmentación de hallazgos radiológicos relacionados con la fibrosis (FRF, Fibrosis-related Radiological Findings), como los patrones de panal de abeja, bronquiectasias por tracción, reticular y distorsión arquitectónica. Sin embargo, este análisis es manual y visual por parte del especialista, lo que requiere de una gran cantidad de tiempo y esfuerzo. Una de las causas de esto es la cantidad de imágenes o cortes que existen por estudio, así como también depende de la experiencia de cada médico, ya que es difícil delimitar las áreas afectadas, lo que hace que este proceso sea subjetivo. Debido a este problema, en este trabajo se propone una metodología que, mediante herramientas de aprendizaje automático, ayude en la detección de fibrosis en las imágenes de tomografía, para luego proporcionar una estimación del volumen de tejido dañado. El modelo de segmentación propuesto se construye a partir de Redes Neuronales Convolucionales utilizando U-Net como arquitectura central. Para mejorar el desempeño del modelo, se utiliza transfer-learning y data augmentation debido a la cantidad limitada de imágenes disponibles para el entrenamiento. Los resultados de segmentación obtenidos a partir de la aplicación del modelo son favorables, con desempeños ligeramente superiores a los encontrados en trabajos similares en el estado del arte. La segmentación de FRF tuvo un desempeño promedio de Dice Similarity Coeficient (DCS) de 0.8459, con una desviación estándar de 0.0470, mientras que la segmentación de pulmón o del tejido pulmonar no anotado logró un DSC de 0.8475, con una desviación estándar de 0.0241. Para la estimación del volumen de fibrosis, se utilizó la información existente en los metadatos de las imágenes, y las máscaras obtenidas a partir del modelo de segmentación. Se calculó el área de píxel por imagen y la cuantificación de los pixeles con cada una de las clases de interés (FRF y pulmón) para obtener las áreas en cada corte. Para obtener los volúmenes de cada clase por VI corte, se multiplicaron las áreas por corte y la distancia entre cortes. Por último, el volumen total de cada una de las clases de interés se logró a partir de la suma de los volúmenes de cada clase por corte existentes en un estudio. Para mejorar la resolución espacial en el plano sagital y obtener más detalles de las imágenes, se utilizó una aproximación novedosa mediante un método de interpolación por zero-padding, logrando buenos resultados sin afectar la eficiencia general de la propuesta. Para realizar la validación de este método de interpolación, se compararon volúmenes totales de las clases de interés por estudio (suma de volúmenes de pulmón y de FRF) obtenidos de la segmentación de las imágenes sin interpolación y con interpolación frente al gold-standard, variando aproximadamente un ±3%. En vista de los resultados obtenidos, se puede afirmar que la metodología propuesta es efectiva para la estimación automática del daño fibrótico en pacientes con EPID. Esto facilita un seguimiento adecuado y simplifica el proceso, permitiendo a los profesionales médicos tomar decisiones informadas sobre el tratamiento y manejo del paciente.