MODELO DE DETECCIÓN AUTOMÁTICA DE GANGLIOS EN IMÁGENES DE TOMOGRAFÍA COMPUTARIZADA DE PACIENTES CON CÁNCER COLORRECTAL

Abstract

El cáncer colorrectal es una de las principales causas de mortalidad oncológica, en gran parte debido a la dificultad de detección precoz. En este contexto, la detección automatizada de ganglios linfáticos es clave para evaluar la extensión tumoral y elegir el tratamiento adecuado.

El presente Trabajo Fin de Grado desarrolla un modelo que combina redes neuronales convolucionales y geometría clásica para detectar ganglios linfáticos en tomografías computarizadas de pacientes con cáncer colorrectal. Para ello, se define una estrategia de etiquetado y se entrenan arquitecturas YOLO en los tres planos anatómicos. Dado que la similitud de los ganglios con otras estructuras dificulta su diferenciación en imágenes bidimensionales, se implementa una fusión tridimensional basada en la intersección espacial de las detecciones, permitiendo estimar un volumen que describe con mayor precisión su ubicación.

Los resultados reflejan limitaciones derivadas de la dificultad de la tarea, la capacidad de las redes neuronales y el reducido tamaño del conjunto de datos, afectando la generalización del modelo. A nivel bidimensional, la precisión obtenida es del 62% en el plano axial, 49% en el coronal y 54% en el sagital. Sin embargo, el clasificador final alcanza un 73% de precisión, destacando que, cuando las detecciones en los tres planos se intersecan completamente, la precisión se eleva hasta el 100%.

Esta propuesta demuestra la viabilidad de integrar información tridimensional a partir de detecciones bidimensionales, mejorando la interpretación estructural y fortaleciendo la capacidad de decisión del modelo. Además, amplía las posibilidades en el apoyo diagnóstico, evidenciando la utilidad de técnicas clásicas y sentando las bases para futuros desarrollos que integren información tridimensional en entornos clínicos.