Detección de lesiones hepáticas en ecografías intraoperatorias mediante Deep Learning

Abstract

El presente Trabajo de Fin de Máster aborda el desarrollo y evaluación de modelos de Deep Learning, concretamente de visión artificial, aplicados a uno de los sectores donde menos se ha extendido este campo, la detección de lesiones hepáticas en ecografías intraoperatorias. Es decir, la detección automática de dichas lesiones en ecografías realizadas durante la intervención quirúrgica de un paciente. De este modo, se pretende que los algoritmos desarrollados puedan ser integrados en estas prácticas con el objetivo de proporcionar una herramienta de apoyo al profesional durante el procedimiento quirúrgico, permitiéndole mantener o modificar su estrategia según las detecciones realizadas, muchas de las cuales resultan extremadamente complejas debido al sutil contraste en escala de grises que presentan estas imágenes. Para ello, en este estudio se ha creado un dataset propio gracias a imágenes ecográficas completamente anonimizadas cedidas por el Hospital Universitario Virgen de Valme, y a la colaboración de su representante y Jefe de Servicio de Cirugía General y Digestiva, el Dr. Pablo Parra Membrives, quien ha participado en el proceso de etiquetado para asegurar un conjunto de datos riguroso y preciso, que evitase errores en el aprendizaje posterior de los modelos entrenados. El dataset concreto contiene 1035 imágenes ecográficas de lesiones hepáticas malignas de diversa tipología según su origen, con el objetivo de garantizar una buena capacidad de generalización de los modelos desarrollados. A partir de este conjunto de datos y tras un análisis del estado del arte, se han seleccionado y entrenado tres enfoques representativos en la materia actual. Una arquitectura de detección en dos etapas como Faster R-CNN, caracterizada por una alta precisión a costa de un mayor tiempo de inferencia; un enfoque de detección en una sola etapa como YOLO11, en varias de sus versiones, que busca equilibrar precisión y rapidez para su uso en tiempo real; y finalmente, un enfoque innovador basado en Transformers mediante la arquitectura DETR, que aplica mecanismos de autoatención para captar relaciones espaciales complejas en la imagen, aunque con el inconveniente de requerir de un tiempo de inferencia más elevado. De entre los modelos propuestos como candidatos, se han evaluado sus métricas de rendimiento, destacando YOLO11 en su versión Medium como la alternativa más adecuada para los objetivos de este estudio. Este modelo es capaz de realizar inferencias precisas en tiempos reducidos, incluso en tiempo real, manteniendo un buen equilibrio entre precisión y tasa de detección, dadas las limitaciones de recursos del proyecto. No obstante, también se resalta la relevancia de modelos como RF-DETR, una variante de DETR adaptada a datasets pequeños y entornos con menos recursos computacionales, que ha mostrado resultados notables, especialmente en términos de precisión y captación completa del contorno de la lesión, manteniendo además una tasa de detección sóida. Esto lo convierte en una alternativa interesante a ser probada en entornos clínicos reales, para evaluar si su tiempo de inferencia más lento puede ser compensado por su rendimiento en precisión, incluso durante intervenciones quirúrgicas en directo. Además, este modelo podría utilizarse a su vez, como herramienta de apoyo en grabaciones posquirúrgicas, facilitando la formación de residentes o estudiantes de medicina, permitiéndoles observar cómo detectar estos contrastes de grises tan difíciles de identificar en ciertos casos. En conclusión, este estudio ha logrado cumplir con la motivación inicial pretendida y los objetivos planteados inicialmente. Tras un proceso detallado de investigación, desarrollo y análisis de resultados, se han obtenido dos modelos especialmente destacables, YOLO11 Medium y RF-DETR, ambos capaces de detectar con precisión lesiones hepáticas que, en muchos casos, son complejas de percibir y requieren de tiempo incluso para el ojo experimentado de un profesional. De este modo, se establece una base sólida para futuras investigaciones, donde una mayor inversión de tiempo y recursos podría consolidar la inserción de estas herramientas de detección automática en un ámbito tan poco explorado como la ecografía intraoperatoria. A raíz de ello, estas herramientas tienen el potencial de convertirse en un apoyo real para los profesionales, mejorando la eficiencia y facilitando intervenciones más seguras y eficaces para los pacientes.