Técnicas computacionales para la evaluación individualizada de malformaciones arteriovenosas cerebrales
posted on July 3, 2024
Podés acceder al documento de la tesis desde este link.
Resumen
Las malformaciones arteriovenosas (MAVs) cerebrales son conexiones anormales entre vasos sanguíneos, donde múltiples arterias dilatadas convergen en un enredo vascular, llamado nido, drenado por venas arterializadas. La hemodinamia de la zona se ve alterada por la exposición a altas velocidades circulatorias. Las personas con esta afección suelen tener síntomas como convulsiones, dolores de cabeza o déficits neurológicos, siendo el riesgo de ruptura y hemorragia el mayor peligro. Al detectar una MAV cerebral, profesionales neurointervencionistas deben realizar una meticulosa evaluación diagnóstica para diseñar un plan de tratamiento adecuado. La selección de la opción terapéutica apropiada y su aplicación efectiva requieren información precisa sobre el tamaño del nido, cantidad de arterias y venas comprometidas, región del cerebro afectada, entre otras. Estas características están sujetas a variabilidad intra- e inter-observador, ya que se basan en la visualización de las imágenes angiográficas adquiridas. En este sentido, las técnicas computacionales para adquirir datos cuantitativos de una forma repetible pueden otorgar datos adicionales que asistan este proceso. En esta tesis se presenta el estudio de métodos basados en aprendizaje profundo para adquirir una representación cuantitativa de la anatomía cerebrovascular mediante la segmentación en angiografías. Adicionalmente, se detallan técnicas utilizadas para la identificación automática de la extensión del nido.
Abstract
Brain arteriovenous malformations (bAVMs) are an entanglement of abnormal vessels, produced when dilated feeding arteries shunt blood directly into arterialised draining veins. People with this pathology usually suffer from convulsions, headaches or neurological deficits, and there is an associated risk of rupture and hemorrage. After detecting a bAVM, neurointerventionists carry out a meticulous evaluation to create an adequate treatment plan. Precise information regarding nidus size, number of affected arteries and veins, brain region affected, among others, is required to select the appropriate therapeutic option. These characteristics are subject to inter- and intra observer variability, since they are acquired through the visualization of angiographic images. Computational tools may provide additional information to assist this process, by acquiring cuantitative information in a repetible way. This thesis presents the study of deep learning methods to provide quantitative representations of cerebrovascular anatomies through angiographic segmentation. Additionally, it includes techniques for automatic nidus extent identification.