Segmentación de vasos sanguíneos en angiografía TC y detección automática de sus deformaciones

Abstract

El presente trabajo se centra en el desarrollo de un sistema automatizado para la detección, segmentación y caracterización de aneurismas cerebrales mediante el análisis de imágenes angiográficas. Las enfermedades neurovasculares, como los aneurismas cerebrales, representan un importante desafío clínico debido a su potencial para causar complicaciones graves, incluyendo hemorragias subaracnoideas y déficits neurológicos permanentes. Tradicionalmente, la evaluación y diagnóstico de estas condiciones se han basado en el análisis manual de imágenes médicas, un proceso que, además de ser laborioso, está sujeto a errores derivados de la complejidad de las estructuras vasculares.

En este contexto, el presente estudio propone un enfoque innovador que combina técnicas avanzadas de procesamiento digital de imágenes con métricas geométricas para automatizar la detección y segmentación de aneurismas cerebrales. La metodología desarrollada comprende cuatro etapas principales: la definición de rutas de exploración mediante la obtención y etiquetado del esqueleto de los vasos; la implementación de un sistema de seguimiento que calcula diámetros para identificar deformaciones; el análisis de los diámetros para detectar y segmentar anomalías; y la caracterización detallada de las estructuras identificadas, tanto en dos como en tres dimensiones. Este enfoque permite no solo detectar aneurismas, sino también describir su morfología y tamaño de manera precisa y eficiente.

El sistema desarrollado fue validado mediante simulaciones en 2D y 3D que replican características vasculares reales, así como pruebas en imágenes clínicas. Los resultados mostraron que el método es capaz de identificar aneurismas con alta precisión, diferenciando estructuras normales de anomalías. Este avance promete reducir la carga manual de los especialistas, mejorar la consistencia del diagnóstico y optimizar la planificación de tratamientos endovasculares, facilitando el acceso a herramientas eficientes en entornos clínicos con recursos limitados.