- -

Deep Learning en segmentación de imagen médica

RiuNet: Institutional repository of the Polithecnic University of Valencia

Share/Send to

Cited by

Statistics

Deep Learning en segmentación de imagen médica

Show simple item record

Files in this item

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


This item appears in the following Collection(s)

Show simple item record