Tesi doctoral de Valeriia Abramova: "Deep Learning for Clinical Decision Support in Brain Tumors and Stroke". Direcció: Dr. Xavier Llado Bardera i Dr. Arnau Oliver i Malagelada.
Aquesta tesi doctoral se
centra en el desenvolupament de mètodes d’intel·ligència artificial basats en
aprenentatge profund per analitzar imatges del cervell i, en última instància,
ajudar a millorar el diagnòstic i el tractament de malalties neurològiques
freqüents com l’ictus i el meningioma.
L’ictus és una de les
principals causes de mort i discapacitat a nivell mundial. Pot ser de tipus
isquèmic o hemorràgic, i en ambdós casos el diagnòstic depèn de proves d’imatge
cerebral, habitualment tomografia computeritzada (TC). El meningioma, per la
seva banda, és el tumor cerebral primari més comú. Sovint es detecta i es
controla mitjançant revisions periòdiques amb ressonància magnètica (RM), i
quan cal tractament, especialment radioteràpia, la planificació es basa en
aquestes imatges per definir amb precisió la zona a irradiar. Per tant, la
imatge mèdica és una eina clau en totes les fases de la gestió clínica
d’aquestes malalties.
En aquest context, aquesta
tesi explora com l’aprenentatge profund pot fer més eficients i precisos
diferents passos del flux de treball clínic. En primer lloc, es proposa un
mètode capaç de predir com pot evolucionar un sagnat cerebral en pacients amb ictus
hemorràgic utilitzant únicament la primera TC disponible. Un dels principals
reptes és que hi ha poques dades clíniques disponibles, i per això també es
planteja una estratègia per generar exemples sintètics que simulen possibles
evolucions de la lesió. Aquestes dades s’utilitzen per entrenar el model i
millorar-ne la capacitat de predicció, obtenint resultats competitius respecte
als millors mètodes existents.
En segon lloc, es
desenvolupa un sistema per detectar oclusions en grans vasos sanguinis del
cervell, una de les causes principals d’ictus isquèmic, a partir d’angiografies
per TC, i identificar quin segment vascular està afectat. El mètode se centra
en una regió anatòmica concreta, el Cercle de Willis, que conté els vasos més
rellevants. Això permet simplificar l’anàlisi, accelerar el procés i mantenir
una alta fiabilitat. Els resultats s'han validat amb dades hospitalàries reals
i amb conjunts de prova independents, mostrant una bona capacitat de
generalització.
En tercer lloc, es
presenta un mètode per segmentar tumors de meningioma en imatges de RM
utilitzades en la planificació de radioteràpia. L’aportació principal és una
representació més rica del tumor, que no només utilitza la lesió sinó també la
seva zona de transició. Aquesta informació addicional permet millorar la
precisió de la segmentació i obtenir millors resultats, fins i tot en
comparació amb altres propostes recents. El mètode va ser avaluat i validat en
un challenge internacional, on va obtenir el primer lloc.
En conjunt, aquesta tesi
mostra com la intel·ligència artificial pot contribuir a fer més automàtica,
precisa i eficient l’anàlisi d’imatges cerebrals. Una part important del
treball s’ha desenvolupat en col·laboració amb l’equip mèdic de l’Hospital Dr. Josep
Trueta, integrant coneixement clínic real en totes les fases del projecte.
L’objectiu final és oferir eines que puguin tenir un impacte directe en la
pràctica clínica i contribuir a millorar l’atenció als pacients amb ictus i
tumors cerebrals.
Lectura de la tesi: 07/07/2026 a la Sala d'Actes de l'Escola Politècnica Superior IV (informació extreta de l’Agenda activitats de la web Escola de Doctorat).