Mostrar el registro sencillo del ítem
dc.contributor.advisor | Monserrat Aranda, Carlos | es_ES |
dc.contributor.advisor | García Gómez, Juan Miguel | es_ES |
dc.contributor.author | García Ferrando, Germán Adrián | es_ES |
dc.date.accessioned | 2017-09-01T09:34:06Z | |
dc.date.available | 2017-09-01T09:34:06Z | |
dc.date.created | 2017-07-24 | |
dc.date.issued | 2017-09-01 | es_ES |
dc.identifier.uri | http://hdl.handle.net/10251/86225 | |
dc.description.abstract | The main goal of this Project is to apply Deep Learning techniques in the segmentation of two complex structures in medical image analysis: segmentation of the prostate and segmentation of the femoral head. Both of then have applications in image guided surgery and planning of the treatment of prostate cancer. | es_ES |
dc.description.abstract | El objetivo de esta tesina es la aplicación de técnicas de Deep Learning en la identificación de dos estructuras complejas desde el punto de vista de imagen médica: la segmentación de la próstata y la segmentación de la cabeza del fémur. Ambas con aplicaciones tanto en la cirugía guiada por imagen y como en la planificación del tratamiento de cáncer de próstata. | es_ES |
dc.description.abstract | [CA] En el camp de la Imatge Mèdica, la segmentació morfològica constituïx un primer pas dins del tractament requerit en diverses aplicacions clíniques. A hores d’ara, en la majoria dels centres esta tasca la realitza un expert manualment, cosa que consumix una gran quantitat de temps i és propensa a un error inter i intra expert. En aquest treball es proposa un model basat en Deep Convolutional Neural Networks, inspirat en la ja àmpliament coneguda arquitectura encoder-decoder; a més, es fa ús de Long Residual Connections i s’utilitza el Dice (F1-Score) com a funció de pèrdua. El model és avaluat en dos escenaris: d’una banda, es realitza segmentació de pròstata fent ús de les imatges volumètriques potenciades en T2, adquirides per Ressonància Magnètica, proporcionades pel challenge PROMISE12 del MICCAI; d’altra banda, es realitza segmentació de fèmur utilitzant les imatges proporcionades per l’empresa valenciana ERESA, adquirides per mitjà de Raigs-X. En el cas de pròstata, es presenten resultats competitius amb l’estat de l’art actual, obtenint un Dice de 85.83, la qual cosa situa el nostre model prop de l’error humà; en segmentació morfològica de fèmur, les segmentacions aconseguixen un Dice de 94.35, resultats considerablement bons tenint en compte la qualitat i quantitat de les imatges subministrades. En conclusió, en aquest treball es presenta un model basat en Deep Learning que és capaç d’obtindre segmentacions morfològiques d’imatges mèdiques fent ús d’un conjunt de dades reduït; avalant així els potencials usos d’esta tècnica en el context clínic. | es_ES |
dc.language | Español | es_ES |
dc.publisher | Universitat Politècnica de València | es_ES |
dc.rights | Reconocimiento (by) | es_ES |
dc.subject | Medical Image Segmentation | es_ES |
dc.subject | Deep Learning | es_ES |
dc.subject | Convolutional Neural Networks | es_ES |
dc.subject | Image guided surgery | es_ES |
dc.subject | Segmentación de imagen médica | es_ES |
dc.subject | Redes Neuronales Convolucionales | es_ES |
dc.subject | Cirugía guiada por imagen. | es_ES |
dc.subject.classification | LENGUAJES Y SISTEMAS INFORMATICOS | es_ES |
dc.subject.other | Máster Universitario en Inteligencia Artificial, Reconocimiento de Formas e Imagen Digital-Màster Universitari en Intel·Ligència Artificial: Reconeixement de Formes i Imatge Digital | es_ES |
dc.title | Deep Learning en segmentación de imagen médica | es_ES |
dc.type | Tesis de máster | es_ES |
dc.rights.accessRights | Abierto | es_ES |
dc.contributor.affiliation | Universitat Politècnica de València. Departamento de Sistemas Informáticos y Computación - Departament de Sistemes Informàtics i Computació | es_ES |
dc.description.bibliographicCitation | García Ferrando, GA. (2017). Deep Learning en segmentación de imagen médica. http://hdl.handle.net/10251/86225 | es_ES |
dc.description.accrualMethod | TFGM | es_ES |
dc.relation.pasarela | TFGM\67757 | es_ES |