Resumen de A geometry-based encoder for blood vessel structures
Pau Romero De Antonio
El objetivo principal de esta tesis es la conceptualización matemática, la implementación computacional y la validación formal y funcional de un modelo vascular que permita la comparación cuantitativa tanto de la forma como de los campos de datos definidos dentro del volumen.
Dentro de los subcampos biomédicos, esta tesis se enmarca en la modelización computacional del sistema vascular. Este campo utiliza técnicas matemáticas y computacionales para simular la estructura y la función de los vasos sanguíneos a un nivel altamente detallado e individualizado. Mediante la integración de datos de diversas fuentes, como imágenes médicas y mediciones fisiológicas específicas del paciente, estos modelos pueden recrear la dinámica de la función vascular, incluyendo el flujo sanguíneo o la deformación del tejido. Esto permite la predicción precisa de cómo los vasos responderán a diferentes condiciones o tratamientos. El objetivo final de la modelización vascular computacional es mejorar la comprensión de la fisiología vascular, mejorar la precisión diagnóstica y personalizar las intervenciones terapéuticas proporcionando información que vaya más allá de lo que es visible solo a través de las imágenes. En consecuencia, este enfoque se está convirtiendo cada vez más en una piedra angular de la medicina de precisión, ofreciendo el potencial de adaptar los tratamientos específicamente a las características únicas del sistema vascular de cada paciente.
En las últimas décadas, la combinación de la modelización estadística de formas (SSM) y el aprendizaje automático (ML) o la inteligencia artificial (IA) ha ganado protagonismo en la modelización vascular. El SSM implica codificar geometrías como vectores de características, que, después de la reducción de la dimensionalidad, se pueden utilizar para estudiar la relación entre la forma y las variables de respuesta o para entrenar algoritmos de ML/IA. Esta tesis se encuentra en la intersección de la modelización vascular, el SSM y el ML/IA.
La contribución clave de esta tesis es el desarrollo de un modelo geométrico para dominios vasculares. Este modelo sirve como base para construir un SSM y facilita la comparación cuantitativa tanto de la forma como de los campos de datos entre pacientes. El modelo se basa en una generalización de los sistemas de coordenadas cilíndricas, donde cada punto dentro del vaso se describe de manera única por tres coordenadas: la posición longitudinal a lo largo de un eje central, la posición angular dentro de un marco de referencia local y la distancia radial desde el eje central hasta el punto.
El modelo geométrico se ha aplicado con éxito en dos entornos experimentales: uno técnico y uno clínico. El escenario técnico combina SSM con técnicas estadísticas clásicas y de IA para evaluar estrategias de generación de cohortes, centrándose en la utilidad de la cohorte generada en aplicaciones como ensayos clínicos in silico o como un conjunto de datos para entrenar redes neuronales. El escenario clínico evalúa la viabilidad de utilizar una combinación de SSM y algoritmos de clasificación ML para explotar plenamente la información proporcionada por las resonancias magnéticas, particularmente para diagnosticar la enfermedad aórtica torácica hereditaria sindrómica.
Los resultados demuestran el potencial del modelo geométrico propuesto para mejorar la comprensión de la fisiología vascular y para desarrollar herramientas diagnósticas y terapéuticas más precisas y personalizadas.
