- -

Diseño y desarrollo de un método de superresolución en imágenes de RM usando Deep Learning

RiuNet: Institutional repository of the Polithecnic University of Valencia

Share/Send to

Cited by

Statistics

Diseño y desarrollo de un método de superresolución en imágenes de RM usando Deep Learning

Show simple item record

Files in this item

dc.contributor.advisor Manjón Herrera, José Vicente es_ES
dc.contributor.author Andreu Vilarroig, Carlos es_ES
dc.date.accessioned 2019-07-30T14:06:23Z
dc.date.available 2019-07-30T14:06:23Z
dc.date.created 2019-07-09
dc.date.issued 2019-07-30 es_ES
dc.identifier.uri http://hdl.handle.net/10251/124500
dc.description.abstract [ES] La enfermedad de Alzheimer (EA) es una de las enfermedades neurodegenerativas que mayor prevalencia presenta en la población de edad avanzada. A pesar de que la etiología aún es desconocida, un diagnóstico precoz es fundamental para poder retrasar el avance de la enfermedad y mejorar los tratamientos. Actualmente, existen numerosas investigaciones que buscan nuevas pruebas diagnósticas más robustas y precoces. De entre ellas, las nuevas técnicas de imagen médica, como la superresolución, unidas a los avances en el campo del aprendizaje automático, concretamente del Deep Learning, han resultado ser un punto de inflexión en el diagnóstico precoz de la EA. En el siguiente trabajo se propone un método de superresolución y clasificación de imágenes de Resonancia Magnética (IRM) basado en redes neuronales artificiales. Inicialmente se dispone de un conjunto de volúmenes IRM de la región del hipocampo pertenecientes a sujetos que han sido etiquetadas en dos clases: sanos o EA. El desarrollo del proyecto se ha dividido en dos fases claramente diferenciadas: fase de superresolución y fase de clasificación. En la primera fase se han desarrollado y entrenado dos redes neuronales convolucionales o CNN que transforman las imágenes de baja resolución potenciadas en T1 a imágenes de superresolución potenciadas en T1 y T2. En la segunda fase, a partir de las imágenes generadas por las primeras redes y sus correspondientes etiquetas, se ha diseñado y entrenado una segunda red neuronal de clasificación que extrae las características de las imágenes de modalidad T1 y T2, y clasifica al sujeto como sano o con EA. Los resultados obtenidos tras la validación del método muestran el gran potencial de las redes neuronales artificiales en las tareas de extracción de características y clasificación. Asimismo, el trabajo demuestra que las técnicas de Deep Learning suponen un importante avance, no solo en el estudio de nuevas pruebas y criterios diagnósticos de la EA, sino también en el desarrollo de sistemas de ayuda al diagnóstico y a la toma de decisiones clínicas. es_ES
dc.description.abstract [EN] Alzheimer's disease (AD) is one of the most prevalent neurodegenerative diseases in the elderly population. Although the aetiology is still unknown, early diagnosis is essential in order to delay the progression of the disease and improve treatments. Currently, there is a great deal of research looking for new, more robust and earlier diagnostic tests. Among them, new medical imaging techniques, such as superresolution, together with advances in the field of automatic learning, specifically Deep Learning, have proved to be a turning point in the early diagnosis of AD. The following work proposes a method of superresolution and classification of Magnetic Resonance images (MRI) based on artificial neural networks. Initially, a set of MRI volumes of the hippocampus region are available for subjects that have been tagged in two classes: healthy or AD. The development of the project has been divided into two clearly defined phases: the superresolution phase and the classification phase. In the first phase, two convolutional neural networks or CNN have been developed and trained to transform low resolution T1 enhanced images to T1 and T2 enhanced superresolution images. In the second phase, from the images generated by the first networks and its labels, a second neural network has been designed and trained to extract the characteristics of the T1 and T2 modality images from a subject, and to classify the subject as healthy or with AD. The results obtained after the validation of the method show the great potential of neural networks in feature extraction and classification tasks. In addition, the work shows that Deep Learning techniques represent an important advance, not only in the study of new tests and diagnostic criteria for AD, but also in the development of diagnosis and clinical decision suport systems. es_ES
dc.language Español es_ES
dc.publisher Universitat Politècnica de València es_ES
dc.rights Reserva de todos los derechos es_ES
dc.subject Alzheimer es_ES
dc.subject Diagnóstico es_ES
dc.subject IRM es_ES
dc.subject Superresolución es_ES
dc.subject Síntesis es_ES
dc.subject Deep Learning es_ES
dc.subject Redes neuronales artificiales es_ES
dc.subject Extracción de características es_ES
dc.subject Clasificación es_ES
dc.subject Diagnostic es_ES
dc.subject MRI es_ES
dc.subject Superresolution es_ES
dc.subject Syntesis es_ES
dc.subject Artificial neural networks es_ES
dc.subject Feature extraction es_ES
dc.subject Classification es_ES
dc.subject.classification FISICA APLICADA es_ES
dc.subject.other Grado en Ingeniería Biomédica-Grau en Enginyeria Biomèdica es_ES
dc.title Diseño y desarrollo de un método de superresolución en imágenes de RM usando Deep Learning es_ES
dc.type Proyecto/Trabajo fin de carrera/grado es_ES
dc.rights.accessRights Abierto es_ES
dc.contributor.affiliation Universitat Politècnica de València. Departamento de Física Aplicada - Departament de Física Aplicada es_ES
dc.contributor.affiliation Universitat Politècnica de València. Escuela Técnica Superior de Ingenieros Industriales - Escola Tècnica Superior d'Enginyers Industrials es_ES
dc.description.bibliographicCitation Andreu Vilarroig, C. (2019). Diseño y desarrollo de un método de superresolución en imágenes de RM usando Deep Learning. http://hdl.handle.net/10251/124500 es_ES
dc.description.accrualMethod TFGM es_ES
dc.relation.pasarela TFGM\106828 es_ES


This item appears in the following Collection(s)

Show simple item record