Modelización de la arteria aorta y generación de pacientes virtuales

Trabajo Fin de Grado en Matemáticas

En mi Trabajo Fin de Grado trabajé en la generación de aortas sintéticas con aneurisma utilizando Generative Adversarial Networks (GAN). El objetivo era ampliar de forma realista la base de datos de anatomías aórticas para entrenar modelos de simulación y análisis cardiovascular en contextos donde los datos clínicos reales son escasos o sensibles.

A partir de geometrías reales de pacientes, se construye una representación paramétrica de la aorta (línea central y mapa de distancias de la pared). Esa representación alimenta a la GAN, que aprende la distribución de formas aórticas y genera nuevas anatomías sintéticas con aneurismas. Estas aortas virtuales respetan las propiedades estadísticas de la población real sin comprometer la privacidad de ningún paciente concreto.

Artículo en congreso internacional (CMBE 2022)

Parte de este trabajo se recoge en el artículo “Generation of virtual patient’s aorta anatomy using Convolutional Neural Networks”, presentado en la 7th International Conference on Computational & Mathematical Biomedical Engineering (CMBE 2022, Milán). En él se estudia cómo combinar redes neuronales convolucionales y una representación geométrica adecuada de la pared aórtica para generar cohortes de pacientes virtuales y compararlas con enfoques clásicos de reducción de dimensión.

Detección y clasificación de células de leucemia mieloide aguda

Mi Trabajo Fin de Máster, “Detection and Classification of Blood Cancer Cells Using Deep Learning Techniques”, se centra en la detección y clasificación de células de Leucemia Mieloide Aguda (AML) a partir de imágenes de frotis de sangre. Para ello empleo modelos de visión por computador basados en deep learning, con especial foco en la familia YOLOv8.

El trabajo combina dos tipos de datos: imágenes con una única célula por imagen y mosaicos e imágenes clínicas reales del Hospital 12 de Octubre, donde aparecen múltiples células por campo de visión. Sobre estos datos planteo diferentes experimentos orientados a dos objetivos principales: la clasificación fina de varios tipos celulares y la distinción entre células blasto y no blasto, clave para el diagnóstico de AML.

Se diseñan y ajustan varias arquitecturas basadas en YOLOv8 para realizar detección y clasificación simultánea, evaluando su comportamiento en escenarios con distinta calidad de imagen, número de células y proporción de clases minoritarias. Además de las métricas clásicas de precisión y recall, se presta atención a la interpretabilidad de las detecciones y a cómo estas salidas podrían integrarse en flujos de trabajo clínicos reales.

Por motivos de confidencialidad y protección de los datos clínicos de los pacientes y de los acuerdos con los centros colaboradores, el documento completo del TFM y las bases de datos originales no son de acceso público. Sí puedo compartir metodología, resultados agregados y ejemplos visuales anonimizados como el mosaico que se muestra a continuación.