Identificación automática de ataque cerebrovascular (ACV) isquémico mediante la aplicación de técnicas de Deep Learning en imágenes de tomografía computarizada
Loading...
Date
2025
Director
Journal Title
Journal ISSN
Volume Title
Publisher
Pontificia Universidad Javariana Cali
Abstract
El ataque cerebrovascular isquémico (ACV) ocurre cuando un coágulo de sangrebloquea una arteria del cerebro, llevando a una interrupción del flujo sanguíneo y privando a las células cerebrales de oxígeno y nutrientes, siendo la segunda causa de muerte a nivel mundial según la OMS y es de las primeras causas de discapacidad a largo plazo. Por otro lado, la desinformación es un factor importante que agrava la problemática, dando prioridad a trabajar en la concientización de este. El proyecto tiene como objetivo principal entrenar modelos para apoyo al diagnóstico que puedan ayudar a los profesionales de la salud a detectar de manera más rápida y precisa el ACV isquémico, lo que podría tener un impacto significativo en el tratamiento y la recuperación de los pacientes, así como en la reducción de los costos asociados y el impacto socioeconómico de esta enfermedad. Los modelos implementan técnicas de aprendizaje profundo basadas en redes neuronales convolucionales en 3 dimensiones (CNN3D) las cuales se usaron como extractores de características sobre estudios de tomografía computacional (CT). Luego de procesar el conjunto de datos con todos los modelos de deep learning, se aplicaron clasificadores SVM con los kernels lineal, RBF y polinomial utilizando Grid Search para ajustar hiperparámetros, KNN evaluado con 3 y 5 vecinos; Perceptrón Multicapa (MLP) y XGBoost. Para cada clasificador se realizaron 10 repeticiones con partición 70-30 % (Hold-Out aleatorio), y se reportó el valor promedio ± desviación estándar de la exactitud, sensibilidad, especificidad, F1-Score, y AUCROC. El esquema experimental permitió demostrar que las CNN 3D funcionan muy bien comoextractores de información relevante en CT, para identificar automáticamente ACV.
Description
item.page.descriptioneng
Ischemic stroke (CVA) occurs when a blood clotIt blocks an artery in the brain, leading to an interruption of blood flow and depriving brain cells of oxygen and nutrients, being the second cause of death worldwide according to the WHO and is one of the leading causes of long-term disability. On the other hand, misinformation is an important factor that aggravates the problem, giving priority to working on raising awareness of it. The main objective of the project is to train diagnostic support models that can help health professionals detect ischemic stroke more quickly and accurately, which could have a significant impact on the treatment and recovery of patients. as well as in reducing the associated costs and socioeconomic impact of this disease. The models implement deep learning techniques based on 3-dimensional convolutional neural networks (CNN3D) which were used as feature extractors on computational tomography (CT) studies. After processing the data set with all deep learning models, SVM classifiers were applied with the linear, RBF and polynomial kernels using Grid Search to adjust hyperparameters, KNN evaluated with 3 and 5 neighbors; Multilayer Perceptron (MLP) and XGBoost. For each classifier, 10 repetitions were performed with a 70-30% partition (random Hold-Out), and the average value ± standard deviation of the accuracy, sensitivity, specificity, F1-Score, and AUCROC was reported. The experimental scheme allowed us to demonstrate that 3D CNNs work very well asrelevant information extractors in CT, to automatically identify stroke.
Keywords
ACV isquémico, Redes neuronales convolucionales (CNN), Deep learning, Procesamiento de imágenes, Tomografía Computacional, Ischemic Stroke, Convolutional Neural Networks (CNNs), Deep Learning, Image Processing, Computed Tomography (CT)