Caracterización de la estructura trabecular en imágenes DXA

La osteoporosis es una enfermedad ósea caracterizada por la disminución de la densidad mineral (DMO) y el deterioro de la microarquitectura, lo que incrementa el riesgo de fracturas. Actualmente, el diagnóstico se basa en la medición de la DMO mediante la absorciometría de rayos X de energía dual (DXA). Sin embargo, este índice solo explica alrededor del 50 % de las fracturas, lo que resalta la necesidad de métodos complementarios que evalúen la calidad de la microarquitectura ósea a partir de esta modalidad. Esta tesis propone una combinación de técnicas para contribuir a la detección de pacientes con osteoporosis y con la calidad trabecular ósea degradada, utilizando imágenes DXA de cadera/cuello femoral y columna lumbar. Para ello, se crearon dos conjuntos de datos, sobre los cuales se aplicaron diversas técnicas: extracción de características de textura y radiómicas, implementación de clasificadores tradicionales de aprendizaje automático y de redes neuronales convolucionales y combinaciones de estos métodos. Asimismo, se aplicaron técnicas de aumento de datos para corregir el desequilibrio inherente en los conjuntos de datos. Los resultados obtenidos demuestran la efectividad de cada uno de los métodos empleados, destacando principalmente la capacidad de las técnicas radiómicas combinadas con los clasificadores de aprendizaje automático que alcanzaron valores de F-score de 0.92 y 0.98 para cada objetivo, respectivamente. En conclusión, los métodos desarrollados constituyen una contribución relevante al análisis de la calidad ósea, lo que podría mejorar significativamente la asistencia al diagnóstico y la predicción de fracturas en el futuro. Osteoporosis is a bone disease characterised by a decrease in bone mineral density (BMD) and a deterioration of microarchitecture, which increases the risk of fractures. Currently, diagnosis is based on the measurement of BMD using dual-energy X-ray absorptiometry (DXA). However, this index explains only around 50 % of fractures, highlighting the need for complementary methods to evaluate the quality of bone microarchitecture from this modality. This thesis proposes a combination of techniques to contribute to the detection of patients with osteoporosis and degraded trabecular bone quality, using DXA images of the hip/femoral neck and lumbar spine. To this end, two datasets were created, upon which various techniques were applied: extraction of texture and radiomic features, implementation of traditional machine learning classifiers and convolutional neural networks, as well as combinations of these methods. In addition, data augmentation techniques were employed to address the inherent imbalance in the datasets. The results obtained demonstrate the effectiveness of each method employed, with the combination of radiomic techniques and machine learning classifiers standing out in particular, achieving F-score values of approximately 0.92 and 0.98 for each objective, respectively. In conclusion, the methods developed constitute a significant contribution to the analysis of bone quality, which could substantially enhance diagnostic support and the prediction of fractures in the future.