Segmentación semi-automática de tejido adiposo en el espacio parafaríngeo por medio de aprendizaje profundo

Abstract

El Síndrome de Apnea e Hipopnea Obstructiva del Sueño (SAHOS) tiene un gran impacto en las enfermedades del corazón y en la aparición de accidentes cardiovasculares en las personas que lo padecen. Existe una correlación entre el tejido adiposo en el espacio parafaríngeo, las áreas de colapso de las vías respiratorias y la gravedad de la enfermedad en personas con SAHOS. Por lo tanto, la detección precisa de este tejido en imágenes médicas puede ser útil para confirmar la presencia de SAHOS, su grado de gravedad y condiciones de comorbilidad. Para segmentar el tejido adiposo y apoyar la investigación de SAHOS, se propone un modelo de red neuronal convolucional 3D-Unet. El codificador de dicho modelo utiliza la función de activación sigmoide para recopilar más características de contexto para realizar una detección más precisa de este tejido en el decodificador mediante la función de activación ReLU. Este modelo consiguió un coeficiente DICE del 80%.