Portal de Periódicos da CAPES

Clasificación automática de anastomosis mediante redes neuronales convolucionales en video fetoscópico

2021; Volume: 11; Issue: 22 Linguagem: Espanhol

10.23913/ride.v11i22.856

2007-7467

Ángel Mario Lerma-Sánchez, Adriana Mexicano, Fabiola M. Villalobos Castaldi, Pedro Damián Reyes,

Assisted Reproductive Technology and Twin Pregnancy

El síndrome de transfusión gemelo a gemelo (the twin-twin transfusion syndrome o TTTS por sus siglas en inglés) es el resultado de un flujo sanguíneo desigual a través de anastomosis (conexión de los vasos sanguíneos) vasculares placentarias que enlazan las dos circulaciones fetales. Las anastomosis vasculares en la placenta compartida están presentes en prácticamente todos los embarazos gemelares monocoriónicos (monochorionic twins o MC por sus siglas en inglés), pero solo en aproximadamente 10 % conducen al síndrome de transfusión gemelo a gemelo. Sin intervención, la condición es a menudo fatal para ambos gemelos. Una alternativa para el tratamiento del TTTS es el procedimiento de láser placentario, conocido como cirugía fetal, que consiste, de manera general, en dividir la placenta en dos mediante la cauterización láser de los vasos sanguíneos entre los fetos, equilibrando así los flujos sanguíneos. En la actualidad la cirugía fetoscópica es un procedimiento que se realiza con frecuencia en el país, por lo que la clasificación de anastomosis es vital para esta cirugía, la cual constituye el tratamiento más recomendado. Por su grado de complejidad, esta intervención quirúrgica presenta múltiples dificultades: los fetos se mueven durante el procedimiento, la orientación del video empleado no es adecuada para un análisis más preciso y el campo de visión generado por el fetoscópio es muy pequeño; por lo tanto, es necesario contar con una herramienta que ayude al médico novel a poder diferenciar y clasificar las anastomosis de una manera más adecuada. El objetivo de este trabajo, por tanto, es presentar el desarrollo de una herramienta computacional que contribuya a la clasificación automática de anastomosis dentro de un video fetoscópico mediante redes neuronales convolucionales de manera que sirva de soporte para el médico novel en su etapa de entrenamiento. Para ello, se construyó un DataSet (conjunto de imágenes) a partir de videos fetoscópicos sin clasificar que luego se catalogaron en tres categorías, seleccionadas conjuntamente con los expertos, mediante una herramienta computacional ex profeso para ello (VideoLabel). La técnica de aumento de datos sirvió para construir imágenes artificiales a partir de las reales ya clasificadas, dado que el número de imágenes etiquetadas no eran suficientes; en ese contexto, se seleccionó la arquitectura AlexNet para realizar una transferencia de aprendizaje y para entrenarse, lo que arrojó resultados con una efectividad superior a 90 %. Estos datos permiten concluir que de no contar con una herramienta que permitiera entrenar a los médicos noveles en la identificación de anastomosis, su capacitación tomaría más tiempo en llevarse a cabo, ya que se realizaría de manera in situ en cada cirugía fetal. Sin embargo, en esta investigación se generó el diseño de un software con el que resulta factible la clasificación automática de anastomosis a partir de un video fetoscópico mediante una red neuronal convolucional, con resultados prometedores como herramienta de apoyo para los médicos en su etapa de entrenamiento.