Análisis del estudio de la migraña con resonancia magnética mediante medidas avanzadas y técnicas de inteligencia artificial

Abstract

La resonancia magnética de difusión forma parte de las modalidades de imagen médica más útil tanto en el pronóstico como diagnóstico de las patologías neurológicas más complejas actualmente en el mundo de la medicina. Constituye también un elemento fundamental en el tratamiento de estas enfermedades, gracias a su capacidad de visualización de las fibras nerviosas que componen la sustancia blanca del cerebro. Sin embargo, uno de los principales desafíos que posee la resonancia magnética de difusión es que necesita una gran cantidad de datos para la creación de modelos complejos de procesado de imágenes que interpreten y representen la información microestructural cerebral necesaria para la caracterización de la sustancia blanca. Actualmente, el procesado de imágenes de difusión más empleado es el modelo tensorial, basado en un modelo Gaussiano que proporciona los descriptores más comunes para llevar a cabo estudios estadísticos en la comparación de grupos de interés en patologías neurológicas. En este Trabajo de Fin de Grado se hace una exhaustiva investigación sobre dos corrientes muy concretas con el objetivo de resolver el reto de conseguir un mayor número de datos de difusión reduciendo el tiempo de escáner y mejorando la práctica clínica: un modelo alternativo al tensorial denominado AMURA; y un método de inteligencia artificial basado en la interpolación espacial para la generación de nuevos datos. A través de estas dos vertientes, este trabajo busca mejorar la capacidad de encontrar diferencias significativas en enfermedades con diagnóstico y tratamiento con gran incertidumbre, como es la migraña. Para conseguir el reto se usa una base de datos de 100 pacientes, divididos en 50 crónicos y 50 episódicos. El conjunto de datos utilizado en este estudio consta de tres tipos diferentes: datos de 61 direcciones de gradiente; datos de 21 direcciones de gradiente; y datos de 61 direcciones de gradiente sintéticas gracias al método de inteligencia artificial mencionado. Sobre estos datos se realiza un análisis por ROIs en 48 regiones cerebrales, identificadas mediante un atlas específico. En este análisis se emplea un ANOVA sobre el cálculo realizado previamente con los descriptores DTI (FA, MD, AD) y AMURA (RTOP, RTAP, RTPP, APA, qMSD). Finalmente se evalúa, a través de dos grandes tablas de resultados, la capacidad de estas dos corrientes analizadas para aumentar los datos de difusión de forma eficiente y su competencia en términos estadísticos para discernir diferencias entre pacientes crónicos y episódicos, en comparación con el modelo tensorial.