Estudio de la vascularización cerebral mediante el uso de imágenes hiperespectrales

Abstract

Los tumores existen y progresan generalmente en ambientes con falta de oxígeno, siendo esta un factor determinante en la agresividad e invasión que desarrollará el tumor. La hipoxia se correlaciona de la misma manera con un aumento de la angiogénesis mediante la activación del factor inducible por hipoxia. En condiciones de falta de oxigenación en el tumor se produce la activación de algunos genes transcriptores que aumentan la agresividad del tumor, activando en el proceso factores de crecimiento de la angiogénesis. La hipoxia y la angiogénesis juegan un papel fundamental en el crecimiento de los tumores y su proliferación por el organismo dando lugar a la metástasis. Varios estudios relacionan la malignidad del tumor, su crecimiento, su desarrollo, su resistencia a fármacos y su mortalidad con ambientes de hipoxia y vascularización. Conseguir diagnosticar a tiempo estos ambientes con falta de oxígeno y exceso de vasos sanguíneos capaces de fomentar el crecimiento de los tumores, se hace primordial. Los principales avances en el campo de la imagen diagnóstica se centraban en la mejora de la resolución de la imagen y en la introducción de nuevas técnicas de contraste. No obstante, la tecnología de imágenes evoluciona y aparecen en el diagnóstico del cáncer y sus patologías asociadas las imágenes hiperespectrales (HS), caracterizadas por recopilar grandes conjuntos de datos y generar cubos HS que aportan información relevante sobre los elementos que componen la imagen a través de su firma espectral. Este trabajo de final de grado tiene como objetivo el estudio y análisis de imágenes HS de origen médico con el fin de discriminar entre tejido relacionado al tumor y tejido asociado a vaso sanguíneo a través de un modelo definido en el trabajo basado en el algoritmo de clasificación supervisado Support Vector Machine (SVM); y la distinción dentro de este último tejido entre arterias y venas, a través de un modelo definido mediante el algoritmo de segmentación no supervisado K-means para determinar si un tumor puede o no estar recibiendo oxígeno. Tras evaluar los resultados se obtienen una serie de valores que representan las longitudes de onda características para los tejidos tumor y vaso sanguíneo y se estipula que existen nuevas líneas de avances en esta investigación. Además, se concluye a través del modelo no supervisado el algoritmo con mejores resultados y se muestran imágenes adquiridas en el estudio de este modelo de discriminación de vasos y arterias. Finalmente, se encuentra que, aunque el método no supervisado propuesto aporta información relevante, no es posible garantizar la clasificación entre arterias y venas sin supervisión médica y un estudio más exhaustivo caso a caso.

Tumors generally exist and progress in oxygen-deprived environments, which is a determining factor in the aggressiveness and invasiveness of the tumor. Hypoxia correlates in the same way with an increase in angiogenesis through the activation of hypoxia-inducible factor. Under conditions of lack of oxygenation in the tumor there is activation of some transcriptional genes that increase the aggressiveness of the tumor, in the process activating angiogenesis growth factors. Hypoxia and angiogenesis play a fundamental role in the growth of tumors and their proliferation throughout the body, leading to metastasis. Several studies link tumor malignancy, growth, development, drug resistance and mortality to hypoxic and vascularized environments. Early diagnosis of these environments of oxygen and excess blood vessels capable of promoting tumor growth is of fundamental importance. Major advances in diagnostic imaging have focused on improving image resolution and introducing new contrast techniques. However, imaging technology is evolving, and hyperspectral (HS) images are appearing in the diagnosis of cancer and its associated pathologies. Characterized by the collection of large data sets and the generation of HS cubes that provide relevant information about the elements that make up the image through their spectral signature. The aim of this final degree work is to study and analyze HS images of medical origin in order to discriminate between tumor-related tissue and tissue associated with blood vessels using a model defined in the work based on the supervised support vector machine (SVM) algorithm; and to distinguish within the latter tissue between arteries and veins, using a model defined using the unsupervised K-means algorithm to determine whether or not a tumor may or may not be receiving oxygen. After evaluating the results, a series of values representing the characteristics wavelengths of tumor tissues and blood vessels are obtained, and it is stipulated that her are new lines of progress proposed. Furthermore, it is concluded which algorithm works better through the unsupervised model and the images acquired in the study of this vein and artery discrimination model are shown. Finally, it is found that although the proposed unsupervised method provides relevant information, it is not possible to guarantee the classification between arteries and veins without medical supervision and a more exhaustive study of each case.