Autor: URBANOS GARCÍA, Gemma
Título: Contribuciones a la caracterización automática del tejido cerebral y lesiones asociadas mediante modelos supervisados en imagen médica multimodal para diagnóstico asistido
Fecha: 2026
Materia: ---
Escuela: E.T.S.I. Y SISTEMAS DE TELECOMUNICACIÓN
Departamento: INGENIERIA TELEMATICA Y ELECTRONICA
Acceso electrónico: https://oa.upm.es/95607/
Director/a(s):
- Director/a: JUÁREZ MARTÍNEZ, Eduardo
- Director/a: LAGARES GÓMEZ-ABASCAL, Alfonso
Resumen: Clinical practice in neuroscience continues to face persistent limitations in diagnostic accuracy, reproducibility, and efficiency. Visual interpretation of medical imaging is inherently subjective, clinical scales provide only a partial characterization of the underlying pathophysiology, and manual lesion segmentation is time- and resource-intensive. These limitations are particularly critical in acute conditions such as aneurysmal subarachnoid hemorrhage (aSAH), where delays in lesion quantification may adversely affect prognosis and therapeutic management. In this context, this doctoral thesis develops and validates automated medical image analysis systems based on machine learning (ML) to improve the objectivity, reproducibility, and efficiency of radiological analysis, as well as the prediction of clinical outcomes and decision support in neurosurgery. The work is structured around three main axes: (i) intraoperative tissue classification using hyperspectral imaging (HSI) in glioblastoma multiforme (GBM), (ii) automatic segmentation of intracranial hemorrhages on computed tomography (CT) in aSAH, and (iii) prognostic modeling based on radiomic biomarkers derived from automated segmentations of hemorrhages and surrounding brain parenchyma. The first axis was developed in a prospective cohort of 12 patients with GBM treated at Hospital Universitario 12 de Octubre, with acquisition of 13 HSI cubes using a snapshot system with 25 spectral bands (655-975 nm). Five tissue classes were segmented and ML models were trained for tissue classification. Intra-patient validation achieved overall accuracies above 95%, while inter-patient evaluation (leave-one-patient-out) yielded an overall accuracy of 60%, highlighting the impact of biological variability. Band-wise efficiency outperformed previous studies with higher spectral resolution, and the resulting data were incorporated into the public SLIMBRAIN database. The second axis addresses automatic hemorrhage segmentation on CT in an institutional cohort of 539 patients with aSAH, of whom 223 had manual segmentations, augmented with 450 publicly available studies. Using the nnU-Net framework, five-fold cross-validation, and model ensembling, the best-performing model achieved a median Dice coefficient of 0.81, outperforming previous methods both quantitatively and qualitatively according to neurosurgeon evaluation. Automatic segmentation reduced analysis time from approximately 15 minutes to 23.4 seconds, and the derived hemorrhage volume demonstrated prognostic performance comparable to manual volumetry and superior to the modified Fisher clinical scale. The third axis evaluates the prediction of mortality, functional outcome, vasospasm, and hydrocephalus in 444 patients with aSAH. Models based on clinical variables, radiomic descriptors, and their combination were developed using nested cross-validation, achieving mean areas under the curve of up to 0.89 and consistently outperforming established clinical scales. Interpretability analysis highlight clinical variables such as the World Federation of Neurosurgical Societies (WFNS) scale and radiomic descriptors of the brain parenchyma as key predictive factors. Additionally, a radiomic model was developed for the automatic estimation of the SEBES (Subarachnoid Hemorrhage Early Brain Edema Score), showing high concordance with expert assessment, albeit with lower prognostic value compared with models specifically optimized for each clinical outcome. Overall, this thesis demonstrates that the integration of ML algorithms with biomarkers derived from HSI and radiomics enables a more objective, reproducible, and efficient quantitative analysis of neurological pathology, although clinical generalization will require prospective multicenter validation. RESUMEN La práctica clínica en neurociencia se enfrenta a limitaciones persistentes en precisión diagnóstica, reproducibilidad y eficiencia. La interpretación visual de la imagen médica es subjetiva, las escalas clínicas ofrecen una caracterización fisiopatológica parcial y la segmentación manual de lesiones es costosa en tiempo y recursos. Estas limitaciones son especialmente críticas en patologías agudas como la hemorragia subaracnoidea aneurismática (HSAa), donde los retrasos en la cuantificación pueden afectar al pronóstico y al manejo terapéutico. En este contexto, esta tesis doctoral desarrolla y valida sistemas automatizados de análisis de imagen médica basados en aprendizaje automático (Machine Learning, ML) para mejorar la objetividad, reproducibilidad y eficiencia del análisis radiológico, así como la predicción de desenlaces clínicos y el apoyo a la toma de decisiones en neurocirugía. El trabajo se articula en tres ejes: (i) clasificación tisular intraoperatoria mediante imagen hiperespectral (HSI) en glioblastoma multiforme (GBM), (ii) segmentación automática de hemorragias intracraneales en tomografía computarizada (TC) en HSAa y (iii) modelización pronóstica basada en biomarcadores radiómicos derivados de segmentaciones automáticas de las hemorragias y del parénquima cerebral adyacente. El primer eje se desarrolla en una cohorte prospectiva de 12 pacientes con GBM intervenidos en el Hospital Universitario 12 de Octubre, con adquisición de 13 cubos HSI mediante un sistema snapshot de 25 bandas (655-975 nm). Se han segmentado cinco clases tisulares y se han entrenado modelos de ML para clasificación tisular. La validación intrapaciente alcanza precisiones globales mayores de 95%, mientras que en el escenario interpaciente (leave-one-patient-out) la precisión global es del 60%, evidenciando la variabilidad biológica. La eficiencia por banda supera la de estudios previos con mayor resolución espectral y los datos se incorporaron a la base pública SLIMBRAIN. El segundo eje aborda la segmentación automática de hemorragias en TC en una cohorte institucional de 539 pacientes con HSAa, de los cuales 223 contaban con segmentación manual, ampliada con 450 estudios públicos. Mediante el framework nnU-Net, validación cruzada de cinco folds y promediado de modelos (ensembling), el mejor modelo alcanza un coeficiente Dice mediano de 0,81, superando métodos previos tanto cuantitativa como cualitativamente según la evaluación de neurocirujanos. La segmentación automática ha reducido el tiempo de análisis de aproximadamente 15 minutos a 23.4 segundos, y el volumen hemorrágico obtenido muestra un rendimiento pronóstico comparable al volumen manual y superior a la escala clínica de Fisher modificada. El tercer eje evalúa la predicción de mortalidad, resultado funcional, vasoespasmo e hidrocefalia en 444 pacientes con HSAa. Se han desarrollado modelos basados en variables clínicas, descriptores radiómicos y combinaciones de ambos mediante validación cruzada anidada, alcanzando áreas bajo la curva medias de hasta 0,89 y superando de forma consistente las escalas clínicas consolidadas. El análisis de interpretabilidad destaca variables clínicas como la escala World Federation of Neurosurgical Societies (WFNS) y descriptores radiómicos del parénquima como factores clave para la predicción. Adicionalmente, se ha desarrollado un modelo radiómico para la estimación automática de la escala SEBES (Subarachnoid Hemorrhage Early Brain Edema Score), que muestra una alta concordancia con la valoración experta, aunque un menor valor pronóstico en comparación con los modelos específicamente optimizados para cada desenlace. En conjunto, esta tesis demuestra que la integración de algoritmos de ML con biomarcadores derivados de HSI y radiómica permite avanzar hacia un análisis cuantitativo más objetivo, reproducible y eficiente de la patología neurológica, si bien su generalización clínica requerirá validación prospectiva multicéntrica.