| Las enfermedades cardiovasculares son la principal causa de mortalidad, morbilidad y discapacidad a nivel mundial. Gran parte de estas patologias derivan de la aterosclerosis, una enfermedad que afecta a las arterias de mediano y gran calibre provocando su endurecimiento y perdida de elasticidad. La aterosclerosis se caracteriza por el engrosamiento de la capa mas interna de las paredes arteriales debido al deposito de materia grasa, colesterol y otras sustancias. Por tanto, produce un estrechamiento del lumen arterial dificultando el flujo sanguineo normal y, a largo plazo, puede provocar accidentes cardiovasculares severos. Asi, es crucial el diagnostico precoz de la aterosclerosis con fines preventivos. En este sentido, el grosor intima-media o IMT (Intima-Media Thickness) de la arteria carotida comun se considera un marcador precoz y fiable de la aterosclerosis y, por tanto, del riesgo cardiovascular. Las paredes de los vasos sanguineos estan formadas por tres capas: intima, media y adventicia. El IMT se define como la distancia entre las interfaces lumen-intima y media-adventicia. La evaluacion del IMT se realiza mediante imagenes ecograficas. Se suele medir de forma manual, marcando pares de puntos sobre la imagen, lo que da un caracter subjetivo a la medida y afecta a su reproducibilidad. El objetivo de esta Tesis Doctoral consiste en explorar y proponer diferentes soluciones basadas en tecnicas de Aprendizaje Maquina adecuadas para la segmentacion de ecografias de la arteria carotida comun. De esta forma, se pretende detectar las interfaces lumen-intima y media-adventicia a nivel de la pared posterior del vaso para medir el IMT sin necesidad de la interaccion con el usuario. En particular, el proceso se lleva a cabo en tres etapas completamente automaticas. En la primera etapa se realiza un pre-procesado de las ecografias para detectar la region de interes, es decir, la pared posterior de la arteria. Seguidamente, se plantea un problema de Reconocimiento de Patrones para identificar las interfaces del IMT. Por ultimo, una etapa de post-procesado depura los resultados y define los contornos finales sobre los que realizar la medida del IMT. Como consecuencia de utilizar maquinas de aprendizaje, el proceso de segmentacion destaca por su eficiencia computacional.;Cardiovascular diseases are the leading cause of mortality, morbidity and disability worldwide. Large proportion of these diseases results from atherosclerosis, an illness that affects arterial blood vessels causing the hardening and loss of elasticity of the walls of arteries. Atherosclerosis is characterized by the thickening of the innermost layer of the arterial walls due to the accumulation of fatty material, cholesterol and other substances. Therefore, it produces a narrowing of the arterial lumen which hinders the normal blood flow. In the long term, it can lead to severe cardiovascular accidents. Thus, an early diagnosis of atherosclerosis is crucial for preventive purposes. In this sense, the intima-media thickness (IMT) of the common carotid artery is an early and reliable indicator of atherosclerosis and, therefore, of the cardiovascular risk. Walls of blood vessels consist of three layers: intima, media and adventitia. The IMT is defined as the distance between the lumen-intima and media-adventitia interfaces. It is assessed by means of ultrasound images. Usually, the IMT is manually measured by marking pairs of points on the image, which gives a subjective character to the measurement and affects its reproducibility. The main objective of this Ph.D. Thesis is the exploration and the proposition of different solutions based on Machine Learning for segmenting ultrasound images of the common carotid artery. In this way, it is intended to detect the lumen-intima and media-adventitia interfaces in the posterior wall of the vessel to measure the IMT without user interaction. In particular, the evaluation process of IMT is carried out in three fully automatic stages. The first stage is a pre-processing of the ultrasound image in which the region of interest, i.e. the far-wall of the common carotid artery, is detected. Then, a Pattern Recognition problem is considered to identify the interfaces of IMT. Finally, a post-processing stage debugs the results and defines the final contours on which IMT is evaluated. As a result of using learning machines, the segmentation procedure stands out for its computational efficiency. |
