Pasar al contenido principal

IA CONFIABLE Y EXPLICABLE PARA EL DIAGNOSTICO POR IMAGEN MEDICA ASISTIDO POR ORDENADOR: NUEVOS AVANCES Y APLICACIONES

PID2023-148913OB-I00

•
Nombre agencia financiadora Agencia Estatal de Investigación
Acrónimo agencia financiadora AEI
Programa Programa Estatal para Impulsar la Investigación Científico-Técnica y su Transferencia
Subprograma Subprograma Estatal de Generación de Conocimiento
Convocatoria Proyectos de I+D+i (Generación de Conocimiento y Retos Investigación)
Año convocatoria 2023
Plan Estatal 2021-2023 Plan Estatal de Investigación Científica y Técnica y de Innovación
Centro beneficiario UNIVERSIDADE DA CORUÑA

Resultados relacionados

Resultados totales (Incluyendo duplicados): 9
Encontrada(s) 1 página(s)

RUC. Repositorio da Universidade da Coruña
Publicación Contribución de congreso (ConferenceOutput)

Retina-Focused Preprocessing for Enhanced Deep Learning Classification of Multiple Sclerosis from OCT Scans

  • Álvarez-Rodríguez, Lorena
  • Cordón Ciordia, Beatriz
  • García-Martín, Elena
  • Novo Buján, Jorge
  • Moura, Joaquim de
  • Ortega Hortas, Marcos
Presentado en: EUROCAST 2026, 20th International Conference on Computer Aided Systems Theory Las Palmas de Gran Canaria, Spain, February 23- 27, 2026, [Abstract]: This work researches the impact of retina-focused preprocessing on OCT-based deep learning classification of Multiple Sclerosis (MS). Raw OCT B-scans were compared with anatomically preprocessed images, where the retina was segmented, flattened, and isolated from background structures. Experiments with several convolutional architectures showed that focusing on the retinal region enhances classification accuracy and consistency across repetitions, supporting the relevance of anatomically guided preprocessing in OCT-based neurological screening., This work was supported by the Instituto de Salud Carlos III (ISCIII), Government of Spain [grant numbers PI17/01726, PI20/00437, PI23/00935, RD21/0007/0022 (Inflammatory Disease Network- RICORS), FORT23/00010 (Programa FORTALECE)]; MICIU/AEI/10.13039/501100011033 and by “ERDF A way of making Europe” [grant numbers PID2023-148913OB-I00, PID2024-161024OB-I00]; the Consellería de Educación, Universidade, e Formación Profesional, Xunta de Galicia, Grupos de Referencia Competitiva [grant number ED431C 2024/33]; and by the Government of Aragon [group B23_23R and PROY_B50_24].
RUC. Repositorio da Universidade da Coruña
Publicación Contribución de congreso (ConferenceOutput)

Detección de glistenings en lentes intraoculares con OCT-SA mediante deep learning multi-tarea

  • Álvarez-Rodríguez, Lorena
  • Moura, Joaquim de
  • Fernández-Vigo, José Ignacio
  • Macarro-Merino, Ana
  • Fernández-Vigo, José A.
  • Novo Buján, Jorge
  • Ortega Hortas, Marcos
Poster presentado en BioIntegraSaúde - BIS 2025, Santiago de Compostela, 15 de maio de 2025., [Resumen]: Las lentes intraoculares (LIO) son dispositivos ópticos implantados quirúrgicamente en la cápsula posterior del cristalino, habitualmente tras cirugía de cataratas u otros trastornos del cristalino. Estas lentes pueden desarrollar glistenings, microvacuolas llenas de agua que aparecen en su interior y pueden afectar a la transparencia y calidad óptica. Tradicionalmente, su evaluación se ha realizado mediante fotografía con lámpara de hendidura, una técnica sensible a factores externos como la iluminación o la dilatación pupilar. Recientemente, se ha propuesto la tomografía de coherencia óptica del segmento anterior (OCT-SA) como alternativa más rápida y objetiva, con buenos resultados preliminares. Con el objetivo de facilitar la evaluación de las LIO y validar el uso de la OCT-SA, presentamos un enfoque automático basado en deep learning para detectar y caracterizar glistenings en imágenes OCT-SA. Desarrollamos un modelo multi-tarea que identifica simultáneamente las zonas con glistenings y el área ocupada por la LIO (LIOa). Este enfoque mejora la precisión, ya que la localización de la lente aporta un contexto anatómico clave para interpretar correctamente la presencia y distribución de los glistenings. A su vez, la detección precisa de la LIOa es esencial para su evaluación estructural y seguimiento clínico. Nuestro estudio es el primero en aplicar esta metodología combinada y validarla sobre un conjunto de datos clínico altamente heterogéneo, con imágenes de 19 modelos distintos de LIO y diversos grados de opacificación. El modelo alcanzó un alto grado de acuerdo con las anotaciones de expertos (ICC > 0.93), a la par de estudios previos con enfoques más simples y menos variedad de datos. Estos resultados confirman el potencial de los métodos automáticos basados en deep learning para facilitar una evaluación más rápida, objetiva y reproducible de los glistenings en entornos clínicos, con especial utilidad en el seguimiento de pacientes con LIO., Este trabajo es parte del proyecto PID2023-148913OB-I00 financiado por MICIU/AEI/10.13039/501100011033 y por ”FEDER Una manera de hacer Europa”. Ha sido también financiado por el Instituto de Salud Carlos III (Programa FORTALECE, FORT23/00010) y la Xunta de Galicia mediante la Consellería de Educación, Universidade e Formación Profesional (Grupos de Referencia Competitiva, ED431C 2024/33). Las organizaciones financiadoras no participaron en el diseño o ejecución de esta investigación., Xunta de Galicia; ED431C 2024/33
RUC. Repositorio da Universidade da Coruña
Publicación Contribución de congreso (ConferenceOutput)

Multi-depth transfer learning-based approaches via generative models for foveal avascular zone segmentation in OCTA images

  • Regueiro Feal, Ángel
  • Goyanes, Elena
  • Moura, Joaquim de
  • Novo Buján, Jorge
  • Ortega Hortas, Marcos
This version of the article has been accepted for publication, after peer review. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works. The Version of Record is available online at: https://doi.org/10.1109/IJCNN64981.2025.11227613 Traballo presentado en:2025 International Joint Conference on Neural Networks (IJCNN), Roma, Italia, 30 June-05 July 2025, [Abstract]: The automatic identification and segmentation of the Foveal Avascular Zone (FAZ) is crucial for diagnosing and monitoring retinal diseases. However, the limited availability of Optical Coherence Tomography Angiography (OCTA) images with ground truth annotations poses a significant challenge for developing robust deep learning models. Traditional transfer learning techniques, such as ImageNet-based pre-training, require large datasets and struggle to adapt to domain-specific tasks in medical imaging. To address this issue, we propose a novel multi-deep transfer learning framework that leverages pretrained models on a generation task using both superficial (SCP) and deep capillary plexuses (DCP) of the retina. To the best of our knowledge, this is the first approach that integrates depth information from multiple vascular plexuses, allowing the model to capture cross-plexus structural relationships and enhance its ability to learn domain-specific vascular features while mitigating data scarcity constraints. We validated our framework through extensive experiments, demonstrating competitive or even superior segmentation performance compared to state-of-the-art pretraining models, despite using significantly smaller datasets. Our approach achieved a Dice coefficient score of 0.8238 ± 0.0263, a Jaccard Index of 0.7189 ± 0.0293, and a Correlation Index of 0.8328 ± 0.0229, highlighting the effectiveness of our multi-depth feature learning strategy in improving segmentation precision and generalization, even with limited data availability., This work was supported by Ministerio de Ciencia e Innovación, Government of Spain through the research project with [grant numbers PID2023- 148913OB-I00, TED2021-131201B-I00, and PDC2022-133132-I00]; Consellería de Educación, Universidade, e Formación Profesional, Xunta de Galicia, Grupos de Referencia Competitiva, [grant number ED431C 2024/33], predoctoral grant [grant number ED481A-2023-152]. Also supported by the ISCIII under the grant [FORT23/00010] as part of the Programa FORTALECE of Ministerio de Ciencia e Innovación., Xunta de Galicia; ED431C 2024/33, Xunta de Galicia; ED481A-2023-152
RUC. Repositorio da Universidade da Coruña
Publicación Contribución de congreso (ConferenceOutput)

Análisis multicentro del cribado automático de glaucoma en pacientes con alta miopía a través de retinografías

  • Millán Guerrero, Ulises
  • Goyanes, Elena
  • Moura, Joaquim de
  • Magadán Salazar, Andrea
  • Moctezuma Ochoa, Daniela
  • Martínez-de-la-Casa, José María
  • Novo Buján, Jorge
  • Ortega Hortas, Marcos
Poster presentado a BioIntegraSaúde 2025, co-organizado por los tres institutos: IDIS, IISGS e INIBIC, en Santiago de Compostela, 15 de mayo de 2025., [Resumen]: El glaucoma es una causa principal de ceguera irreversible en todo el mundo, siendo la detección temprana esencial para prevenir la pérdida de visión. Sin embargo, diagnosticar glaucoma en pacientes altamente miopes presenta desafíos significativos debido a alteraciones anatómicas, como la deformación de la cabeza del nervio óptico y el adelgazamiento de la capa de fibras nerviosas de la retina, que pueden oscurecer los cambios relacionados con la enfermedad y llevar a un diagnóstico erróneo. Para abordar estas limitaciones, proponemos un sistema basado en técnicas avanzadas de inteligencia artificial para la detección automatizada de glaucoma en ojos altamente miopes. Nuestro enfoque aprovecha el aprendizaje multi-transferencia, integrando pre-entrenamiento a gran escala con adaptación específica del dominio utilizando un conjunto formado por 10,000 imágenes de 5,000 pacientes. Además, se realiza un análisis entre múltiples centros clínicos, cada uno empleando un retinógrafo distinto, lo que permite evaluar la robustez y aplicabilidad del modelo en escenarios reales y diversos. Los centros participantes son el Hospital Clínico San Carlos (HCSC), la Clínica Universidad de Navarra (CUN), el Hospital Ramón y Cajal (RYC) y el Instituto Universitario Fernández-Vega de Oviedo (IRU). Esta colaboración multicéntrica asegura una mayor representatividad de los datos, y además refuerza la capacidad del sistema para adaptarse a las variaciones en los equipos de adquisición, un desafío clave en la práctica clínica. Los resultados experimentales demuestran que el modelo propuesto supera consistentemente los métodos de referencia, logrando una precisión y robustez superiores en la detección de glaucoma dentro de poblaciones altamente miopes. Estos hallazgos subrayan el potencial de las herramientas de detección impulsadas por IA como ayudas diagnósticas confiables y precisas, apoyando a los clínicos en la detección temprana y el manejo efectivo del glaucoma en casos complejos., Este trabajo es parte del proyecto PID2023-148913OB-I00 financiado por MICIU/AEI/10.13039/501100011033 y por ”FEDER Una manera de hacer Europa”. Ha sido también financiado por la Consellería de Educación, Universidade e Formación Profesional, Xunta de Galicia, Grupos de Referencia Competitiva, [código ED431C 2024/33], ayuda predoctoral [ED481A-2023-152]. Además, está apoyado por el ISCIII bajo la ayuda [FORT23/00010] como parte del Programa FORTALECE del Ministerio de Ciencia e Innovación; y el proyecto de investigación [PI23/00828]: Desarrollo evaluación de un algoritmo de detección de glaucoma a partir de un abordaje multimodal en pacientes con miopía magna., Xunta de Galicia; ED431C 2024/33, Xunta de Galicia; ED481A-2023-152
RUC. Repositorio da Universidade da Coruña
Publicación Contribución de congreso (ConferenceOutput)

Deep Learning-Based Models for Sickle Cell Anemia Characterization in Retinal Fundus Images

  • Carrasco, L.
  • Ramos, Lucía
  • Barreira, Noelia
  • S. Hervella, Álvaro
  • Raffa, Lina H.
This version of the paper has been accepted for publication. The final published paper is available online at: https://doi.org/10.1109/CBMS65348.2025.00165. Presented at: 2025 IEEE 38th International Symposium on Computer-Based Medical Systems (CBMS), 18-20 June 2025, Madrid, Spain., [Abstract]: Sickle cell disease (SCD) is a severe hereditary disorder that affects multiple systems and compromises blood flow, potentially leading to serious complications such as tissue damage and vision loss. Despite treatment developments, early detection is essential, even more so in regions with limited resources. In this context, clinical manifestations observed in ocular fundus images, such as vascular tortuosity, provide the opportunity to detect SCD non-invasively by applying artificial intelligence algorithms and techniques. This study analyzes the potential of deep learning methods to detect SCD using ocular fundus images and to identify relevant retinal patterns in this disorder, which leads to improved comprehension and clinical management of the disease. To this end, we used ocular fundus images from SCD patients and healthy controls to train and evaluate several models of neural networks models, including CNN and a hybrid CNN-Transformer Vision model. In addition, activation maps were built to identify the most relevant retinal characteristics for the classification problem. ResNet-50 and EfficientNet-b0 models showed better performance in the F1 score metric, getting 88 % and 83 % values, respectively. The activation maps analyze highlighted vascular tortuosity as an important feature of disorder detection. Notwithstanding certain limitations, such as the size of the data set or the variability between the images, the results obtained are promising. Solving these problems could improve the effectiveness of the models for the detection and characterization of this disorder., This work was supported by the R&D&I project under grant ref. PID2023-148913OB-I00 funded by MICIU/AEI/10.13039/501100011033 and by “ERDF/EU”, the Consellería de Educación, Universidade, e Formación Profesional, Xunta de Galicia, Grupos de Referencia Competitiva, under grant ref ED431C 2024/33 and postdoctoral fellowship ref. ED481B-2022-025. Additional support was provided by the Instituto de Salud Carlos III (ISCIII) under grant ref. FORT23/00010, part of the Programa FORTALECE from the Ministerio de Ciencia e Innovación., Xunta de Galicia; ED431C 2024/33, Xunta de Galicia; ED481B-2022-025
RUC. Repositorio da Universidade da Coruña
Publicación Contribución de congreso (ConferenceOutput)

Sistema automático y explicable para el cribado simultáneo de múltiples patologías pulmonares en radiografías de tórax mediante aprendizaje profundo

  • Goyanes, Elena
  • Moura, Joaquim de
  • Novo Buján, Jorge
  • Ortega Hortas, Marcos
Poster presentado a BioIntegraSaúde 2025, co-organizado por los tres institutos: IDIS, IISGS e INIBIC, en Santiago de Compostela, 15 de mayo de 2025., [Resumen]: En un contexto clínico donde la rapidez y precisión diagnóstica son fundamentales, este estudio presenta un enfoque basado en inteligencia artificial para el cribado automatizado y simultáneo de múltiples enfermedades pulmonares a partir de radiografías de tórax. A través de un modelo de aprendizaje profundo de clasificación multi- etiqueta, se ha desarrollado una herramienta capaz de identificar de manera eficiente 14 patologías pulmonares distintas (atelectasia, cardiomegalia, derrame pleural, infiltración, masa, nódulos, neumonía, neumotórax, consolidación, edema, enfisema, fibrosis, engrosamiento pleural y hernia), abordando así uno de los principales desafíos del diagnóstico por imagen: la coocurrencia de enfermedades y la complejidad inherente a su diferenciación visual. El sistema propuesto fue entrenado y validado con un conjunto masivo proveniente del National Institutes of Health (NIH) Clinical Center de Estados Unidos, compuesto por 112120 radiografías de 30805 pacientes, lo que garantiza una base sólida y representativa para evaluar su rendimiento en escenarios clínicos reales. Los resultados obtenidos muestran un desempeño robusto y generalizable, posicionando a este sistema como una solución prometedora para aliviar la carga diagnóstica en servicios radiológicos de alta demanda. Además, el modelo integra una herramienta de explicabilidad a través de mapas de activación Grad-CAM, lo que permite visualizar las regiones clave de las radiografías utilizadas para cada predicción. Esta capacidad de interpretación no solo incrementa la transparencia del sistema, sino que también refuerza la confianza de los profesionales de la salud, facilitando una toma de decisiones más precisa., Este trabajo es parte del proyecto PID2023-148913OB-I00 financiado por MICIU/AEI/10.13039/501100011033 y por ”FEDER Una manera de hacer Europa”. Ha sido también financiado por la Consellería de Educación, Universidade e Formación Profesional, Xunta de Galicia, Grupos de Referencia Competitiva, [código ED431C 2024/33], ayuda predoctoral [ED481A-2023-152]. Además, está apoyado por el ISCIII bajo la ayuda [FORT23/00010] como parte del Programa FORTALECE del Ministerio de Ciencia e Innovación., Xunta de Galicia; ED431C 2024/33, Xunta de Galicia; ED481A-2023-152
RUC. Repositorio da Universidade da Coruña
Publicación Contribución de congreso (ConferenceOutput)

Geometric Deep Learning for Essential Tremor Screening Using

  • Álvarez-Rodríguez, Lorena
  • Moura, Joaquim de
  • Viladés, Elisa
  • García-Martín, Elena
  • Novo Buján, Jorge
  • Ortega Hortas, Marcos
This version of the article has been accepted for publication, after peer review. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works. The Version of Record is available online at: https://doi.org/10.1109/IJCNN64981.2025.11229335 Traballo presentado en: 2025 International Joint Conference on Neural Networks (IJCNN), Rome, Italy, 30 June - 05 July 2025, [Abstract]: Essential tremor (ET) is a prevalent movement disorder characterized by motor and non-motor symptoms, often associated with neurodegeneration. Optical coherence tomography (OCT) has emerged as a valuable tool to identify retinal biomarkers in ET patients. This study presents a novel methodology for ET detection using 3D point clouds derived from retinal OCT layers. Leveraging advanced geometric deep learning (GDL) architectures, including PointTransformer, PointCNN, PointNet++ and SplineCNN, we evaluated the diagnostic potential of individual retinal layers, including the Retinal Nerve Fiber Layer (RNFL), Ganglion Cell Layer (GCL) and Bruch’s Membrane (BM), as well as their combined representation. Our approach achieved state-of-the-art results, with PointTransformer obtaining an F1-score of 0.85 using only BM retinal surface, while requiring just 2% of the original point cloud size. These findings underscore the diagnostic value of OCT-derived 3D data and demonstrate the potential of GDL for computational biomarker extraction in neurodegenerative disorders, offering a scalable and efficient framework for ET diagnosis., This work was supported by the Instituto de Salud Carlos III (ISCIII), Government of Spain [grant numbers PI17/01726, PI20/00437, PI23/00935, RD21/0002/0050 (Inflammatory Disease Network - RICORS), FORT23/00010 (Programa FORTALECE)], the Ministerio de Ciencia e Innovacion, Government of Spain [grant numbers PID2023-148913OB-I00, TED2021-131201B-I00, and PDC2022-133132-I00], the Consellería de Educacion, Universidade, e Formación Profesional, Xunta de Galicia, Grupos de Referencia Competitiva [grant number ED431C 2024/33] and by the Government of Aragon [group B2323R]. This work was also supported by the Horizon Europe Programme through the ACHILLES/101189689 project (HORIZON-CL4-2024-DATA-01-01)., Xunta de Galicia; ED431C 2024/33
RUC. Repositorio da Universidade da Coruña
Publicación Contribución de congreso (ConferenceOutput)

Multi-Disease Explainable Deep Learning System for Automated Chest X-ray Screening

  • Goyanes, Elena
  • Fernández Moreira, Breogán
  • Moura, Joaquim de
  • Novo Buján, Jorge
  • Ortega Hortas, Marcos
Presentado en: EUROCAST 2026, 20th International Conference on Computer Aided Systems Theory Las Palmas de Gran Canaria, Spain, February 23- 27, 2026, [Abstract]: This paper presents an explainable deep learning system for the simultaneous screening of multiple pulmonary diseases in chest Xrays. Ten state-of-the-art convolutional and transformer-based architectures were evaluated to identify the most effective model for multi-label classification, with the best-performing model achieving an average AUC of 0.841. The interpretability of the system was enhanced using Grad-CAM, providing visual explanations consistent with clinical findings., This work was supported by Government of Spain through the research projects with [grant number PID2023-148913OB-I00] and [grant number PID2024-161024OB-I00], funded by MICIU/AEI/10.13039/501100011033 and by ERDF, EU; Consellería de Educación, Universidade e Formación Profesional, Xunta de Galicia, Grupos de Referencia Competitiva, [grant number ED431C 2024/33], predoctoral grant [grant number ED481A-2023-152]. Also supported by the ISCIII under the grant [FORT23/00010] as part of the Programa FORTALECE of MICIU., Xunta de Galicia; ED431C 2024/33, Xunta de Galicia; ED481A-2023-152
Zaguán. Repositorio Digital de la Universidad de Zaragoza
Publicación Contribución de congreso (ConferenceOutput)

Geometric Deep Learning for Essential Tremor Screening Using OCT-Derived 3D Point Clouds

  • Álvarez-Rodríguez, Lorena
  • de Moura, Joaquim
  • Vilades, Elisa
  • Garcia-Martin, Elena
  • Novo, Jorge
  • Ortega, Marcos
Essential tremor (ET) is a prevalent movement disorder characterized by motor and non-motor symptoms, often associated with neurodegeneration. Optical coherence tomography (OCT) has emerged as a valuable tool to identify retinal biomarkers in ET patients. This study presents a novel methodology for ET detection using 3D point clouds derived from retinal OCT layers. Leveraging advanced geometric deep learning (GDL) architectures, including PointTransformer, PointCNN, PointNet++ and SplineCNN, we evaluated the diagnostic potential of individual retinal layers, including the Retinal Nerve Fiber Layer (RNFL), Ganglion Cell Layer (GCL) and Bruch’s Membrane (BM), as well as their combined representation. Our approach achieved state-of-the-art results, with PointTransformer obtaining an F1-score of 0.85 using only BM retinal surface, while requiring just 2% of the original point cloud size. These findings underscore the diagnostic value of OCT-derived 3D data and demonstrate the potential of GDL for computational biomarker extraction in neurodegenerative disorders, offering a scalable and efficient framework for ET diagnosis.