VALORACIÓN DE LA CONTRACTILIDAD DE COLON COMPLETO AISLADO MEDIANTE VISIÓN ARTIFICIAL Y REDES NEURONALES

Abstract

El análisis de la motilidad gastrointestinal es un problema complejo, el cual se puede abordar mediante experimentos in vivo o in vitro. En la actualidad, resulta especialmente interesante el análisis de la motilidad de segmentos del intestino o de colon completo de animales de laboratorio, para lo que se emplean sistemas in vitro que miden diferentes parámetros como la presión intraluminal o el volumen de líquido desalojado con las contracciones peristálticas. Sin embargo, también se puede evaluar la actividad contráctil a partir de vídeos que se pueden transformar en mapas que muestran los cambios de diámetro a lo largo de tubo y a lo largo del tiempo, conocidos como Dmaps. Aunque existen diferentes laboratorios que disponen de esta metodología, hasta donde sabemos, no se ha empleado la inteligencia artificial para este tipo de construcción de Dmaps y su posterior análisis. El objetivo de este trabajo ha sido desarrollar una herramienta que permita el análisis de estos vídeos. La herramienta desarrollada está basada en el uso de inteligencia artificial y, más concretamente, de redes convolucionales para la segmentación de las imágenes extraídas de los vídeos de colon completo. Para la segmentación de las imágenes se ha usado el modelo de segmentación semántica fastscnn disponible a través de PaddleSeg. Para el entrenamiento de este modelo se han usado 100 imágenes segmentadas de forma semiautomática mediante la herramienta Sefexa. Además, mediante el uso de librerías de Python en Jupyter se han confeccionado los Dmaps. Por último, se ha confeccionado una interfaz gráfica también en Jupyter, usando la librería tkinter con diferentes funciones útiles para el análisis de estos Dmaps mediante el investigador. El modelo fastscnn, tras su entrenamiento, consigue una velocidad de segmentación de 225 ms/frame además de una accuracy de 0.9968, un valor para el coeficiente kappa de 0.9660, un mIoU de 0.9670 y un valor para el coeficiente dice de 0.9830. Mediante el uso de este modelo se muestra un Dmap confeccionado con un segmento de diez minutos de vídeo y se expone un ejemplo de su análisis con la herramienta desarrollada. En conclusión, en nuestro conocimiento, en este trabajo se ha desarrollado la primera herramienta funcional basada en la visión artificial para la valoración de segmentos del tubo digestivo in vitro. Además, se ha verificado su eficiencia mediante el análisis de un segmento de 10 minutos de uno de los vídeos disponibles. Como líneas futuras de investigación, se propone el desarrollo de una aplicación web o un programa de escritorio que integre el software y simplifique su uso, el uso de gpus más potentes, el uso de un volumen más alto de imágenes de entrenamiento y la adaptación de la herramienta para su uso en experimentos similares, pero en otros contextos, incluso in vivo.