Reconstrucción craneal y segmentación robusta de imágenes médicas mediante aprendizaje profundo

Abstract

Esta tesis doctoral aplica aprendizaje profundo a la reconstrucción de implantes craneales y la segmentación robusta de imágenes médicas, abordando limitaciones de datos y cambio de dominio. Dado el costo del diseño manual de implantes, se proponen enfoques autosupervisados que simulan la extracción de hueso en tomografías de cráneos completos, generando datos sintéticos que compensan la escasez de datos reales. Esta "craniectomía virtual" se mejoró con patrones de simulación más complejos y variables. Las estrategias superan en tiempo y desempeño a métodos alternativos como modelos de forma estadística y otros de aprendizaje profundo. Además, se explora el uso de conocimiento anatómico previo sobre la forma esperada para mejorar la solidez frente a implantes fuera de distribución y de mayor resolución. En la segunda parte, se estudia la robustez de modelos de segmentación frente a variaciones en la adquisición y poblaciones de pacientes. Se analiza la segmentación de hiperintensidades de sustancia blanca en resonancias cerebrales, evaluando regularización por entropía para mejorar la estimación de incertidumbre bajo cambio de dominio. Métodos como la entropía máxima en predicciones erróneas mejoran la capacidad del modelo de expresar incertidumbre en áreas ambiguas, detectar cambios de dominio y señalar errores sin anotaciones manuales, con mejoras en la calibración dentro y fuera de distribución. La investigación aporta avances metodológicos en aprendizaje automático aplicados al análisis de imágenes cerebrales. Las soluciones mejoran la precisión, eficiencia y robustez en reconstrucción de implantes y segmentación médica, orientadas a uso clínico. La validación en múltiples conjuntos de datos, incluyendo casos clínicos reales y competencias internacionales, demuestra su potencial para mejorar la planificación quirúrgica y el diagnóstico asistido, contribuyendo al cuidado de pacientes.

This doctoral thesis applies deep learning to cranial implant reconstruction and robust medical image segmentation, addressing data limitations and domain shift. Given the cost of manual implant design, self-supervised approaches are proposed that simulate bone extraction from CT scans of complete skulls, generating synthetic data to compensate for the scarcity of real patient data. This "virtual craniectomy" was improved with more complex and variable simulation patterns. The strategies outperform alternatives such as statistical shape models and other deep learning methods in time and performance. Additionally, the use of anatomical constraints or prior knowledge about the expected shape is explored to improve robustness against out-of-distribution implants at higher resolutions. In the second part, the thesis studies the robustness of segmentation models against variations in image acquisition and patient populations. White matter hyperintensity segmentation in brain MRI is analyzed, evaluating entropy regularization techniques to improve uncertainty estimation under domain shift. Methods such as maximum entropy on erroneous predictions improve the model's ability to express uncertainty in ambiguous areas, detect domain shifts, and serve as indicators of segmentation errors without manual annotations, with improvements in calibration on both in-distribution and out-of-distribution data. The research provides novel methodological advances in machine learning applied to computational brain image analysis. The proposed solutions improve precision, efficiency, and robustness in cranial implant reconstruction and medical image segmentation, oriented toward clinical use. Experimental validation on multiple datasets, including real clinical cases and international competitions, demonstrates the potential to significantly improve surgical planning and computer-aided diagnosis, contributing to improved patient care.