El Perú, pasadas las últimas crisis de su historia, ha entrado en una etapa de crecimiento sostenido que ofrece la oportunidad para que emprendedores, nacionales y extranjeros, inviertan en los distintos sectores de la economía dejados de lado por años por el miedo al terrorismo y a una economía hiperinflacionaria. El sector salud no es ajeno a esta etapa de crecimiento sostenido, durante años el gobierno no invertía como lo hace ahora, ya sea a través del Ministerio de Salud (Minsa) o a través del IPSS, hoy en día renombrado como Essalud; por años no se aumentaba sustancialmente la inversión pública ni privada en este sector estratégico, salvo honrosas excepciones. Sin embargo, la coyuntura económica por una parte y el sistema de seguros de las Entidades Prestadoras de Salud (EPS) por otra parte, delimitaron un nuevo marco impulsando las inversiones en servicios de salud logrando que varias clínicas y centros médicos privados crezcan tanto en atenciones como en inversiones.

Determina los hallazgos imagenológicos asociados a la resonancia magnética en el cáncer de mama en la Clínica Internacional, sede San Borja entre noviembre 2016 y junio 2017. Realiza un estudio de tipo observacional con diseño descriptivo, retrospectivo y de corte transversal, donde se analizaron 20 informes de resonancia magnética de pacientes con diagnóstico de cáncer de mama. Se realizó un análisis descriptivo de los datos, donde las variables cuantitativas fueron evaluadas mediante medidas de tendencia central y las variables cualitativas por medio de frecuencias absolutas y relativas (%). Encuetra que el cáncer de mama por resonancia magnética tuvo una localización en la mama derecha (75%) y en cuadrante superior externo (50%) e interno (20%). Los principales hallazgos morfológicos del cáncer de mama por resonancia magnética fueron lesiones de diámetro promedio 3.34 cm y generalmente de tipo masa (55%). En las lesiones no masa, su distribución fue segmentaria (66.7%) y difusa (22.2%). En las lesiones masa, su forma fue irregular y su margen irregular (54.5%). Respecto a los hallazgos cinéticos, el tipo de captación de contraste fue heterogéneo (100%) y la curva cinética de captación fue la de lavado (tipo III) en un 60%. Concluye que los hallazgos imagenológicos asociados a la resonancia magnética en el cáncer de mama en la Clínica Internacional, sede San Borja entre noviembre 2016 y junio 2017, se ubican en la mama derecha y en el cuadrante superior externo, de morfología tipo masa, con captación de contraste heterogénea y curva cinética de lavado. / Tesis

Publicación a texto completo no autorizada por el autor / Manifiesta que la sensibilidad de la colangioresonancia es de 95.45% con un intervalo de confianza de 95% (intervalo de confianza 95%,84.48 a100.0%). La especificad de la colangioresonancia es de 63.64% con un intervalo de confianza del 95% que va desde 30.66% hasta 96.61%. El valor predictivo positivo obtenido es de 84% (Intervalo de confianza 95%, que va desde 67.63 al 100%) y el valor predictivo negativo fue de 87.50%.(intervalo de confianza 95%, que va desde el 58.33 al 100%). En lo que se refiere a la distribución de género la población con mayor incidencia de coledocolitiasis es el sexo femenino con un 69.7% en comparación al sexo masculino con un 30.3%. La procedencia de los pacientes de provincia representan un 24.2% del total. La frecuencia encontrada en lo que respecta al grupo de edades se encuentra que los pacientes entre entre18 a 28 años representa un 21.2 %, el de 29 a 39 años 6 %, el de 40 a 50 años 21.2 %, el de 51 a 61 años 12.1 % y los de 62 años a más representan el 39.5% del total viéndose un mayor predominio en estos. En cuanto a las manifestaciones clínicas el cólico biliar fue la manifestación que tuvo una mayor frecuencia estando presente en el 100% de los casos y la distribución semiológica por colangioresonancia la dilatación biliar estuvo presente en 78.8% de los casos junto con la con coledocolitiasis, mientras que el defecto de llenado se visualizó en un 72.7 % de los casos. / Tesis

Publicación a texto completo no autorizada por el autor / Señala la utilidad diagnóstico de la secuencia FLAIR con gadolinio, en el diagnóstico de las metástasis intracraneales. Se evaluó 85 casos de lesiones primarias en 81 pacientes con metástasis intracraneal, de los cuales 45 tuvo metástasis parenquimal asilada, 31 metástasis leptomeningea aislada y 5 presentaron ambos tipos de metástasis. La metástasis parenquimal se vio en 50 pacientes. Respecto al número de las lesiones detectados, se encontró que el 78 % tuvo igual número de lesiones en ambas secuencias, el 22 % tuvo menor número de lesiones detectadas en la secuencia FLAIR con contraste y en ninguno de los casos la secuencia FLAIR con contraste mostró mayor número de lesiones frente a T1 con contraste. Respecto al tamaño de las lesiones, se encontró que el 74 % de los casos tuvo igual tamaño en ambas secuencias, el 26 % mostró menor tamaño en la secuencia FLAIR con contraste y en ninguno de los casos se encontró lesiones de mayor tamaño en la secuencia FLAIR con contraste respecto a T1. La metástasis leptomeningea se observó en 36 pacientes. Comparando la captación de las imágenes FLAIR con contraste respecto a T1 con contraste se encontró mayor captación en la secuencia FLAIR con contraste en el 66,67 % de los casos, igual captación en ambas secuencias en el 30,56 % y menor captación en la secuencia FLAIR con contraste en el 2,77 %. Referente a la extensión se encontró mayor extensión en la secuencia FLAIR con contraste en el 66,67 % de los casos, igual extensión en ambas secuencias en el 33,33 % y en ninguno de los casos la extensión fue menor en la secuencia FLAIR con contraste frente a T1 con contraste. Concluye que la secuencia FLAIR con contraste y T1 con contraste son complementarias en la identificación de metástasis intracraneal. Esta técnica puede ser incluida como una secuencia de rutina en pacientes con sospecha de metástasis intracraneal. / Trabajo académico

Publicación a texto completo no autorizada por el autor / El documento digital no refiere asesor / Determina la correlación entre los hallazgos por colangioresonancia y los hallazgos por colangiopancreatografía endoscópica retrograda en el diagnóstico de coledocolitiasis realizado en el Hospital Nacional Daniel Alcides Carrión de enero a junio del 2017. Desarrolla una investigación observacional, retrospectivo, sin grupo control y de corte transversal. Utiliza como muestra 57 historias clínicas (45 de mujeres y 12 de varones) de pacientes con sospecha de coledocolitiasis sometidos a colangioresonancia y a colangiopancreatografía retrógrada endoscópica con el fin de comparar los hallazgos obtenidos en ambas técnicas diagnósticas. Además se buscó obtener el número de casos en el que ambas técnicas presentaban los mismos hallazgos. La técnica considerada gold estándar en este estudio fue la CPRE. Encuentra que la validez de la colangioresonancia como método diagnóstico se evalúa por dos componentes: la sensibilidad, que en este estudio fue de 94.1%, y la especificidad, que fue en este estudio de 66.7%, con un intervalo de confianza del 95%. El grado de confiabilidad de la Colangioresonancia como método diagnóstico se evalúa por el valor predictivo positivo, que en este estudio fue de 96%; y el valor predictivo negativo, que en este estudio fue de 57.14%, con un intervalo de confianza del 95%. Concluye que hay concordancia entre los hallazgos por CPRE y Colangioresonancia en 85.96% de los casos en el diagnóstico de coledocolitiasis. / Tesis

Algunas rocas débiles son frecuentemente utilizadas como material de construcción en la ejecución de obra nueva o en la restauración de construcciones patrimoniales y constituyen el cimiento de numerosas edificaciones y vías de comunicación en el sudeste de España. Estos materiales suelen estar expuestos a ambientes húmedos y/o en contacto directo con el agua. Sin embargo, su caracterización mecánica suele realizarse en laboratorio en estado seco o sin control de la humedad. A este respecto, investigaciones recientes han demostrado que propiedades mecánicas como la resistencia a compresión uniaxial o el módulo de elasticidad estático de este tipo de rocas pueden sufrir importantes reducciones cuando se saturan completamente. Sin embargo, los efectos de la saturación parcial, de la humedad relativa ambiental o de la distribución del agua intersticial sobre éstos y otros parámetros mecánicos han sido escasamente estudiados. En esta tesis se realiza un estudio detallado de estos aspectos en varios tipos de rocas sedimentarias débiles presentes en la provincia de Alicante. Por un lado, se han empleado tres variedades de la denominada “Piedra Bateig”, que es una biocalcarenita que se utilizado en el pasado para la construcción de una gran cantidad de edificios históricos y emblemáticos de toda de España (especialmente de la Comunidad Valenciana y Madrid) y que actualmente se comercializa a nivel mundial debido a su abundancia, belleza y calidad para su empleo en revestimientos de fachadas, muros de mampostería o elementos ornamentales. Por otro lado, se han estudiado otras rocas carbonáticas (calcarenitas y limolitas amarillentas) y yesíferas, que se utilizan mayoritariamente en obra civil, principalmente para la construcción de muros de contención o como escollera. Los objetivos principales de la presente tesis doctoral son: (1) la caracterización petrológica y físico-mecánica de estos materiales pétreos sedimentarios porosos; (2) el análisis de los procedimientos de humectación existentes y el desarrollo de nuevas técnicas de saturación parcial; (3) la evaluación de la variación de las propiedades mecánicas de estos materiales con el grado de saturación y la humedad relativa ambiental; (4) el estudio del efecto de la distribución del agua intersticial en su comportamiento mecánico; (5) la propuesta de correlaciones entre las propiedades mecánicas y las propiedades físicas u otros parámetros de fácil y rápida determinación y; (6) la discusión de los principales mecanismos de deterioro mecánico causados por el agua que afectan a estos materiales. En primer lugar, se realizó un estudio petrológico y físico general de estas rocas mediante la determinación de: su composición química y mineralógica empleando las técnicas de difracción y fluorescencia de rayos X o el calcímetro de Bernard; su distribución del tamaño de poros, superficie específica, tortuosidad, porosidades intrapartícula e interpartícula y otras características de su red porosa mediante la realización de porosimetrías de intrusión de mercurio; su textura, ordenación de granos y cristales y morfología de los poros utilizando las técnicas de microscopía óptica y electrónica; sus densidades real y aparente, porosidades abierta y total, y capacidad de absorción de agua usando métodos tradicionales. En segundo lugar, se obtuvieron diversas propiedades físicas y mecánicas de estos materiales en los estados seco y completamente saturado, tales como: la velocidad de paso de las ondas P y S, el módulo de elasticidad y el coeficiente de Poisson dinámicos, las resistencias a compresión uniaxial y triaxial, el módulo de elasticidad estático, la resistencia a tracción indirecta, el índice de resistencia frente a carga puntual, el índice de resistencia frente a la penetración de aguja y los parámetros de resistencia al corte de la matriz rocosa. En tercer lugar, se evaluó la influencia de la saturación parcial y la distribución del agua intersticial en las propiedades mecánicas de algunas de estas rocas. Para ello, se prepararon probetas parcialmente saturadas con diferentes grados de saturación utilizando dos procedimientos distintos: (1) la inmersión de probetas completamente secas en agua a presión atmosférica durante diferentes periodos de tiempo, y (2) el secado progresivo de probetas inicialmente completamente saturadas en estufa a 50º C durante diferentes periodos de tiempo. A continuación, se determinó la distribución del agua intersticial en las probetas acondicionadas mediante ambos métodos a través de la obtención de imágenes de resonancia magnética nuclear (RMN) y se ensayaron mecánicamente para obtener su resistencia a compresión uniaxial, su módulo de elasticidad estático, su resistencia a tracción indirecta y su resistencia frente a carga puntual. En cuarto lugar, se estudió el impacto de la humedad relativa ambiental en el comportamiento mecánico de los materiales pétreos. Con este propósito, las muestras se sometieron a ambientes de humedad relativa controlada del 20, 40, 60, 80 y 98% usando una modificación de la técnica de equilibrio de vapor (VET). El método consistió en introducir las probetas de roca junto con disoluciones de glicerol de diferente concentración en recipientes cerrados herméticamente dentro de una estufa a temperatura constante, promoviendo el intercambio de agua en forma de vapor entre la atmósfera creada y las probetas hasta que se alcanzó el contenido de agua de equilibrio en las mismas. Tras ello, las muestras se ensayaron mecánicamente. Finalmente, se realizó un análisis de regresión para establecer relaciones entre las propiedades mecánicas y las propiedades físicas u otros parámetros de fácil obtención, menos costosos o no destructivos que pudiesen ser útiles desde un punto de vista ingenieril. Los resultados obtenidos mostraron que, en las rocas estudiadas, la saturación total generaba importantes variaciones de propiedades físicas como la velocidad de paso de las ondas P y S y de los parámetros dinámicos asociados, así como una reducción muy significativa de todas las propiedades mecánicas analizadas. Además, se observó que ocurría una importante caída de estos parámetros mecánicos cuando estos materiales se saturaban con contenidos de agua pequeños (grados de saturación inferiores al 50%) y que, posteriormente, el valor de estas propiedades se mantenía constante para contenidos de agua superiores (grados de saturación iguales o superiores al 75%). En consecuencia, las variaciones de las propiedades mecánicas con el contenido de agua se modelaron de manera precisa empleando funciones exponenciales decrecientes. Otro resultado relevante de la investigación fue que la distribución del agua intersticial y, por ende, el procedimiento empleado para saturar parcialmente las probetas jugaba un papel importante en el comportamiento mecánico observado. En concreto, para pequeños contenidos de agua, el debilitamiento mecánico experimentado por las muestras preparadas mediante el procedimiento de secado era frecuentemente superior al de las muestras acondicionadas a través del procedimiento de inmersión. Este hallazgo pudo explicarse en base a que en el primer caso las moléculas de agua ocupaban una región más amplia de la probeta (incluyendo la zona central de la misma), mientras que en el segundo caso el agua se encontraba concentrada exclusivamente en la zona más externa, permaneciendo el núcleo de la probeta en estado seco. En cambio, para elevados contenidos de agua, los valores de las propiedades mecánicas en las muestras preparadas por ambos procedimientos fueron parecidos, debido a que el agua intersticial ocupaba una región más amplia y similar. Además, se observó que las propiedades mecánicas de las rocas se reducían linealmente conforme aumentaba la humedad relativa del ambiente al que estaban expuestas, pues esto generaba un incremento del contenido de agua dentro de su red porosa. Por otro lado, el análisis de regresión realizado permitió obtener correlaciones entre las propiedades mecánicas y las propiedades físicas u otros índices de fácil determinación en los estados seco y saturado. Estas relaciones son de gran utilidad para seleccionar bloques de roca de alta calidad a nivel de cantera o para realizar auscultaciones preventivas en edificaciones patrimoniales de piedra de una forma rápida, sencilla, barata y no destructiva. Finalmente, el análisis conjunto de las características petrológicas y el impacto de la saturación total y parcial y la distribución de agua intersticial sobre las propiedades mecánicas permitió esclarecer que las causas del debilitamiento ocasionadas por el agua que afectaban a estos materiales eran variadas. Se podrían destacar la reducción de la succión capilar y efectos físico-químicos como el deterioro de la cementación entre los granos, la disolución de algunos minerales (calcita y clorita), el hinchamiento de la fracción arcillosa, la reducción de la energía superficial de fractura o la corrosión bajo tensión del cuarzo presente en estos materiales. / Esta tesis ha sido financiada por el Vicerrectorado de Investigación y Transferencia del Conocimiento de la Universidad de Alicante a través del Contrato Predoctoral FPUUA53-2018 y las Ayudas UAEEBB2018-09, UAUSTI18-21 y UAUSTI19-25.

[ES] Según la Organización Mundial de la Salud (OMS), aproximadamente mil millones de perso- nas en todo el mundo están afectadas por trastornos neurológicos periféricos y centrales, incluidos tumores cerebrales, enfermedad de Parkinson (EP), enfermedad de Alzheimer (EA), esclerosis múl- tiple (EM), epilepsia, demencia, enfermedades neuroinfecciosas, accidentes cerebrovasculares y lesiones cerebrales traumáticas. El accidente cerebrovascular isquémico y la "enfermedad de Alz- heimer con otras demencias" son la segunda y la quinta causa principal de muerte, respectivamente. En este contexto, la detección y clasificación de lesiones cerebrales constituye un área crítica de investigación en el procesamiento de imágenes médicas, impactando significativamente tanto en la práctica clínica como en el avance científico Este proyecto tiene como objetivo proponer, desarrollar e implementar un método para la de- tección y clasificación de lesiones isquémicas y enfermedades desmielinizantes en imágenes de resonancia magnética (MRI), las cuales constituyen un tipo de hiperintensidades de la sustancia blanca (WMH). Esta tarea es crucial debido a la similitud entre estas dos enfermedades; un diagnóstico erróneo por parte de un médico no capacitado o inexperto podría llevar a un tratamiento incorrecto. Por lo tanto, este proyecto busca proporcionar a la comunidad científica y clínica una herramienta que ayude en el diagnóstico de estas enfermedades, sirviendo como una segunda opinión y como un recurso de capacitación para la identificación de lesiones cerebrales El proyecto emplea diversas técnicas de aprendizaje automático y aprendizaje profundo para comprender las características de las lesiones (biomarcadores) y facilitar su detección y clasificación. Dada la limitada cantidad de datos disponibles para el desarrollo de algoritmos, se utilizaron varios enfoques de aprendizaje por transferencia, aumento de datos clásico y aumento de datos sintético. La metodología para la detección y clasificación involucró principalmente los siguientes modelos: U-Net, Segmenting Anything Model, YOLOv8 y Detectron2. Además, se propuso un modelo utilizando redes ResNet18 para la clasificación de Regiones de Interés (ROIs). Los resultados experimentales indicaron que el modelo U-Net logró un coeficiente Dice medio de 0.95 para la segmentación. El modelo Detectron2 demostró una precisión de 0.98 en la detección y de 0.93 en la clasificación de lesiones, incluidas las lesiones pequeñas donde otros modelos a menudo fallan. El clasificador de ROIs logró una precisión de clasificación de 0.96. Estos resulta- dos sugieren que los modelos propuestos podrían ser evaluados más a fondo en un entorno clínico para mejorar su rendimiento con más datos. En general, los métodos desarrollados en este proyecto presentan un marco robusto para la detección y clasificación de lesiones cerebrales utilizando téc- nicas avanzadas de aprendizaje automático. Los hallazgos indican que los modelos desarrollados podrían ayudar significativamente en los diagnósticos clínicos, proporcionando un apoyo confiable para los médicos y contribuyendo a mejores resultados para los pacientes. / [CA] Segons l'Organització Mundial de la Salut (OMS), aproximadament mil milions de persones a tot el món estan afectades per trastorns neurològics perifèrics i centrals, incloent tumors cerebrals, malaltia de Parkinson (EP), malaltia d'Alzheimer (EA), esclerosi múltiple (EM), epilèpsia, demència, malalties neuroinfeccioses, accidents cerebrovasculars i lesions cerebrals traumàtiques. L'accident cerebrovascular isquèmic i la "malaltia d'Alzheimer amb altres demències" són la segona i la cinquena causa principal de mort, respectivament. En aquest context, la detecció i classificació de lesions cerebrals constitueix una àrea crítica d'investigació en el processament d'imatges mèdiques, impactant significativament tant en la pràctica clínica com en l'avenç científic. Aquest projecte té com a objectiu proposar, desenvolupar i implementar un mètode per a la detecció i classificació de lesions isquèmiques i malalties desmielinitzants en imatges de ressonància magnètica (MRI), les quals constitueixen un tipus d'hiperintensitats de la substància blanca (WMH). Aquesta tasca és crucial a causa de la similitud entre aquestes dues malalties; un diagnòstic erroni per part d'un metge no capacitat o inexpert podria portar a un tractament incorrecte. Per tant, aquest pro- jecte busca proporcionar a la comunitat científica i clínica una eina que ajude en el diagnòstic d'aquestes malalties, servint com una segona opinió i com un recurs de capacitació per a la identificació de lesions cerebrals. El projecte empra diverses tècniques d'aprenentatge automàtic i aprenentatge profund per a com- prendre les característiques de les lesions (biomarcadors) i facilitar la seua detecció i classificació. Donada la limitada quantitat de dades disponibles per al desenvolupament d'algoritmes, s'utilitzaren diversos enfocaments d'aprenentatge per transferència, augment de dades clàssic i augment de dades sintètic. La metodologia per a la detecció i classificació va involucrar principalment els següents mo- dels: U-Net, Segmenting Anything Model, YOLOv8 i Detectron2. A més, es va proposar un model utilitzant xarxes ResNet18 per a la classificació de Regions d'Interès (ROIs). Els resultats experimentals indicaren que el model U-Net va aconseguir un coeficient Dice mitjà de 0.95 per a la segmentació. El model Detectron2 va demostrar una precisió de 0.98 en la detecció i de 0.93 en la classificació de lesions, incloent les lesions petites on altres models sovint fallen. El classificador de ROIs va aconseguir una precisió de classificació de 0.96. Aquests resultats suggereixen que els models proposats podrien ser avaluats més a fons en un entorn clínic per a millorar el seu rendiment amb més dades. En general, els mètodes desenvolupats en aquest projecte presenten un marc robust per a la detecció i classificació de lesions cerebrals utilitzant tècniques avançades d'aprenentatge automàtic. Els descobriments indiquen que els models desenvolupats podrien ajudar significativament en els diagnòstics clínics, proporcionant un suport fiable per als metges i contribuint a millors resultats per als pacients. / [EN] According to the World Health Organization (WHO), approximately one billion people worldwide are affected by peripheral and central neurological disorders, including brain tumors, Parkinson's disease (PD), Alzheimer's disease (AD), multiple sclerosis (MS), epilepsy, dementia, neuroinfectious diseases, stroke, and traumatic brain injuries. Ischemic stroke, AD, and other dementias are the second and fifth leading causes of death, respectively. In this context, detecting and classifying brain lesions constitute a critical area of research in medical imaging processing, significantly impacting both clinical practice and scientific advancement. This project aims to develop and implement a method for detecting and classifying ischemic lesions and demyelination diseases in MRI images, which are identified by White Matter Hyperintensities. This task is crucial due to the similarity between these two diseases; a misdiagnosis by an untrained or inexperienced physician could lead to incorrect treatment. Therefore, this project seeks to provide the scientific and clinical community with a tool that assists in diagnosing these diseases, serving as a second opinion and as a training resource for identifying brain lesions. The project employs machine learning and deep learning techniques to understand lesion features (biomarkers) and facilitate detection and classification. Given the amount of data available for algorithm development, several transfer learning approaches, classical data augmentation, and synthetic data augmentation methods were utilized. The methodology for detection and classification primarily involved the following models: U-Net, Segmenting Anything Model, YOLOv8, and Detectron2. Additionally, a model using ResNet18 networks was proposed to classify Regions of Interest (ROIs). Experimental results indicated that the U-Net model achieved a mean Dice coefficient of 0.94 for segmentation. The Detectron2 model demonstrated an accuracy of 0.98 in detecting and 0.93 in classifying lesions, including small lesions where other models often fail. The ROI classifier using Res- Net18 achieved a classification accuracy of 0.96. These results suggest that the proposed models could be further evaluated in a clinical environment to enhance their performance. In conclusion, the methods developed in this thesis and the findings indicate that they could significantly aid in clinical diagnostics, providing reliable support for physicians and contributing to better patient outcomes. / Castillo Malla, DP. (2024). Magnetic Resonance Image Algorithm to Identify Demyelination and Ischemia Brain Diseases [Tesis doctoral]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/211187

[ES] El dolor lumbar es una afección común que afecta a casi el 70% de la población, representando una carga significativa para el sistema de atención médica. Esta tesis se centra en extraer conocimiento médico a partir de Imágenes de Resonancia Magnética (IRM) lumbar, relacionándolas con el dolor lumbar. A través de las técnicas de aprendizaje automático (Machine Learning), se procesan extensos conjuntos de datos de IRM lumbar para desarrollar algoritmos de segmentación semántica que identifican las estructuras en la columna vertebral. El objetivo principal es mejorar la comprensión de las causas del dolor lumbar y desarrollar modelos predictivos que respalden una toma de decisiones clínicas más precisa. Simultáneamente, se busca crear un repositorio público de imágenes de columna lumbar anonimizadas y datos poblacionales para facilitar la colaboración en la investigación en este campo. Los métodos propuestos en esta tesis se centran en el análisis preciso de IRM lumbar de pacientes con antecedentes de dolor lumbar en hospitales públicos de la Comunidad Valenciana, generando dos conjuntos de datos significativos. El primero, llamado "Massive Image Data Anatomy of the Spine" (MIDAS), contiene datos de alrededor de 23,688 pacientes, equivalente a unas 124,800 IRM lumbar. Estos datos fueron recopilados de 17 departamentos de salud y sometidos a diversas fases, que incluyen la aprobación de un comité ético, la de-identificación y corrección de metadatos DICOM, y la estandarización de protocolos de adquisición. Además, se implementó una estructura de archivos estandarizada llamada " Medical Imaging Data Structure" (MIDS) para garantizar la transparencia y reproducibilidad de los datos. Este conjunto de datos está disponible para descarga bajo solicitud en https://bimcv.cipf.es/bimcv-projects/midas- 2/. El segundo conjunto de datos se creó mediante la segmentación manual de 181 IRM lumbar, realizada por dos radiólogos expertos. El propósito de esta tarea fue asignar etiquetas de clase a cada píxel de las imágenes, donde las clases se definieron según elementos anatómicos como vértebras, discos intervertebrales, nervios, vasos sanguíneos y otros tejidos, cubriendo un total de 11 elementos diferentes de la columna vertebral. Estos datos se utilizaron para diseñar y entrenar variantes de arquitecturas de Redes Neuronales Convolucionales (Convolutional Neural Networks o CNN) para la tarea de segmentación automática de IRM lumbar. Como resultado de los experimentos, esta tesis hace hincapié en la importancia de recopilar y preprocesar datos de alta calidad, así como elegir estratégicamente arquitecturas de red y técnicas de aprendizaje profundo en la segmentación semántica de imágenes médicas. Presenta topologías de red efectivas que superan al modelo U-Net estándar y resalta la versatilidad de un solo modelo para segmentar imágenes de diferentes protocolos y vistas, simplificando el desarrollo de sistemas de procesamiento de imágenes médicas. En última instancia, esta tesis representa un viaje interdisciplinario desde la ingeniería hasta la medicina, destacando la innovación de aplicar métodos de ML para obtener conjuntos de datos médicos etiquetados a gran escala. Las futuras investigaciones se centran en mejorar el conjunto de datos y desarrollar herramientas de visión por computadora para detectar y clasificar patologías de la columna lumbar. Una vez validadas clínicamente, estas innovaciones podrían revolucionar el diagnóstico clínico y la toma de decisiones médicas basadas en evidencia en este campo. / [CA] El dolor lumbar és una afecció comuna que afecta a gairebé el 70% de la població, la qual cosa representa una càrrega significativa per al sistema d'atenció mèdica. Aquesta tesi se centra a extraure coneixement mèdic a partir d'Imatges de Ressonància Magnètica (IRM) lumbar, relacionant-les amb el dolor lumbar. Mitjançant tècniques d'aprenentatge automàtic ("Machine Learning", ML), es processen extensos conjunts de dades d'IRM lumbar per tal de desenvolupar algoritmes de segmentació semàntica que identifiquen les estructures a la columna vertebral. L'objectiu principal és millorar la comprensió de les causes del dolor lumbar i desenvolupar models predictius que donen suport a una presa de decisions clíniques més precisa. Simultàniament, es busca crear un repositori públic d'imatges de columna lumbar anonimitzades i dades poblacionals per facilitar la col·laboració en la recerca en aquest camp. Els mètodes proposats en aquesta tesi se centren en l'anàlisi precisa d'IRM lumbar de pacients amb antecedents de dolor lumbar en hospitals públics de la Comunitat Valenciana, generant dos conjunts de dades significatius. El primer, anomenat "Massive Image Data Anatomy of the Spine" (MIDAS), conté dades de vora 23.688 pacients, equivalent a unes 124.800 IRM lumbars. Aquestes dades van ser recopilades de 17 departaments de salut i sotmeses a diverses fases, que inclouen l'aprovació d'un comitè ètic, la desidentificació i correcció de metadades DICOM (Digital Imaging and Communications in Medicine), i l'estandardització de protocols d'adquisició. A més, es va implementar una estructura d'arxius estandarditzada anomenada "Medical Imaging Data Structure" (MIDS) per tal de garantir la transparència i la reproducció de les dades. Aquest conjunt de dades està disponible per a descarregar sota sol·licitud a https://bimcv.cipf.es/bimcv-projects/midas-2/. El segon conjunt de dades es va crear mitjançant la segmentació manual de 181 IRM lumbars, realitzada per dos radiòlegs experts. El propòsit d'aquesta tasca va ser assignar etiquetes de classe a cada píxel de les imatges, classes que es van definir segons elements anatòmics com ara vèrtebres, discs intervertebrals, nervis, vasos sanguinis i altres teixits, tot cobrint un total d'11 elements diferents de la columna vertebral. Aquestes dades es van utilitzar per dissenyar i entrenar variants d'arquitectures de Xarxes Neuronals Convolucionals (Convolutional Neural Networks o CNN) per a la tasca de segmentació automàtica d'IRM lumbar. Com a resultat dels experiments, aquesta tesi destaca la importància de recopilar i preprocessar dades d'alta qualitat, així com de triar estratègicament arquitectures de xarxa i tècniques de DL en la segmentació semàntica d'imatges mèdiques. Presenta topologies de xarxa efectives que superen al model U-Net estàndard i destaca la versatilitat d'un sol model per a segmentar imatges de diferents protocols i vistes, simplificant el desenvolupament de sistemes de processament d'imatges mèdiques. Finalment, aquesta tesi representa un viatge interdisciplinari des de l'enginyeria fins a la medicina, tot destacant la innovació a l'hora d'aplicar mètodes d'ML per obtenir conjunts de dades mèdiques etiquetats a gran escala. Les futures investigacions se centren a millorar el conjunt de dades i desenvolupar eines de visió per ordinador per detectar i classificar patologies de la columna lumbar. Un cop validades clínicament, aquestes innovacions podrien revolucionar el diagnòstic clínic i la presa de decisions mèdiques basades en evidències en aquest camp. / [EN] Lower back pain is a common condition affecting nearly 70% of the population, representing a significant burden for the healthcare system. This thesis focuses on extracting medical knowledge from lumbar Magnetic Resonance Imaging (MRI), linking them to lower back pain. Through Machine Learning techniques, extensive lumbar MRI datasets are processed to develop semantic segmentation algorithms that identify structures in the spine. The main goal is to improve understanding of the causes of lower back pain and develop predictive models that support more accurate clinical decision-making. Simultaneously, the aim is to create a public repository of anonymized lumbar spine images and population data to facilitate collaboration in research in this field. The methods proposed in this thesis focus on the precise analysis of lumbar MRI from patients with a history of lower back pain in public hospitals of the Valencian Community, generating two significant datasets. The first, called "Massive Image Data Anatomy of the Spine" (MIDAS), contains data from around 23,688 patients, equivalent to about 124,800 lumbar MRIs. These data were collected from 17 health departments and underwent various phases, including ethical committee approval, de-identification and correction of DICOM metadata, and standardization of acquisition protocols. In addition, a standardized file structure called "Medical Imaging Data Structure" (MIDS) was implemented to ensure data transparency and reproducibility. This dataset is available for download upon request at https://bimcv.cipf.es/bimcv-projects/midas-2/. The second dataset involved the manual segmentation of 181 lumbar MRIs. Two expert radiologists performed this to assign class labels to each pixel in the images based on anatomical elements, including vertebrae, intervertebral discs, nerves, blood vessels, and other tissues, comprising 11 distinct elements of the spine. This data was utilized to design and train different Convolutional Neural Network (CNN) architectures for the automatic segmentation of lumbar MRI. As a result of the experiments, this thesis emphasizes the importance of collecting and preprocessing high-quality data and strategically choosing network architectures and DL techniques in the semantic segmentation of medical images. It presents effective network topologies that surpass the standard U-Net model and highlights the versatility of a single model to segment images from different protocols and views, simplifying the development of medical image processing systems. Ultimately, this thesis represents an interdisciplinary journey from engineering to medicine, highlighting the innovation of applying ML methods to obtain large-scale labelled medical datasets. Future research focuses on improving the dataset and developing computer vision tools to detect and classify lumbar spine pathologies. Once clinically validated, these innovations could revolutionize clinical diagnosis and evidence-based medical decision-making in this field. / Sáenz Gamboa, JJ. (2024). Machine Learning en Resonancia Magnética. Describiendo la Fisiopatología del Dolor Lumbar [Tesis doctoral]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/207346