Ultrasound image processing in the evaluation of labor induction failure risk

• Autores: Pablo Jose Vasquez Abando
• Directores de la Tesis: Nestor Arana Arejolaleiba (dir. tes.) , Alberto Izaguirre Altuna (codir. tes.)
• Lectura: En la Mondragon Unibertsitatea ( España ) en 2017
• Idioma: inglés
• Tribunal Calificador de la Tesis: Juan Carlos Melchor Marcos (presid.) , Unai Ayala Fernández (secret.) , Luka Eciolaza Echeverría (voc.) , Débora Gil Resina (voc.) , Aritz Legarda Cristóbal (voc.)
• Enlaces
  • Tesis en acceso abierto en:  TESEO  eBiltegia 
• Resumen

  • La inducción de partos es procedimiento obstétrico muy corriente. Uno de los riesgos de los procesos de inducción es el parto por cesárea que ocurre en cerca del 20% de los casos. Un cuello cervical preparado (suave y distensible) para el parto es indispensable para el éxito de un proceso de inducción.

    Hasta ahora el método más utilizado para la evaluación cervical es el método de la puntuación de Bishop que es un método manual y propenso a subjetividad por parte del evaluador. En esta tesis se estudian métodos de evaluación de la madurez cervical mediante el análisis de textura de las imágenes de ultrasonido obtenidas de pacientes sometidas a inducción.

    Al analizar la textura de estas imágenes se han tenido en consideración diferentes aspectos: orientación, escala y frecuencia. Para este fin se utilizaron varios tipos de descomposición: Wavelets, Contourlets y filtros de Gabor . Los patrones locales binarios (Local Binary Patterns) y matrices de co-ocurrencia (GLCM) fueron utilizados para la obtención de atributos de textura a partir de los coeficientes obtenidos de la descomposición de las imágenes.

    Como paso final los atributos de textura antes mencionados se alimentan a un clasificador de reconocimiento de patrones. Los resultados obtenidos sugieren que la frecuencia reviste más importancia que la orientación o la escala. Además de la textura, otros aspectos de las imágenes son también estudiados desde la perspectiva del aprendizaje profundo (Deep Learning) utilizando las Redes Neuronales Convolucionales (CONVNETS).

    Los resultados obtenidos muestran que la capacidad de predicción obtenida por medio de estos algoritmos es superior a la obtenida por el método de Bishop.