Diseño de algoritmos de aprendizaje profundo para imágenes médicas en tareas de diagnóstico asistido por computador

Simple item page
dc.contributor.advisorArgüello Fuentes, Henry
dc.contributor.advisorBasarab, Adrian
dc.contributor.authorSánchez Quiroga, Karen Yaneth
dc.contributor.evaluatorPertuz Arroyo, Said David
dc.contributor.evaluatorFajardo Ariza, Carlos Augusto
dc.contributor.evaluatorGalvis, Laura Viviana
dc.contributor.evaluatorGélvez Barrera, Tatiana Carolina
dc.contributor.evaluatorPellegrini, Tomas
dc.date.accessioned2023-11-27T20:37:45Z
dc.date.available2023-11-27T20:37:45Z
dc.date.created2023-11-15
dc.date.issued2023-11-15
dc.description.abstractEsta tesis doctoral examina la aplicación de la inteligencia artificial, específicamente modelos de aprendizaje profundo, en tareas de diagnóstico asistido por computadora (CAD) dentro de imágenes médicas. Si bien los modelos de aprendizaje profundo han revolucionado el campo médico, siguen dependiendo de grandes volúmenes de datos etiquetados, a menudo escasos y privados, y que varían entre los centros médicos. Esta tesis explora los conceptos de "adaptación de dominio" y "aumento de datos generativos" para abordar el problema de sobreajuste que surge de la falta de datos disponibles y afecta la precisión y generalización de los modelos. El primero aprovecha el conocimiento de un dominio de origen etiquetado para mejorar el rendimiento del modelo en un dominio de destino con datos limitados o sin datos etiquetados. El último se centra en la creación de datos sintéticos para aumentar el conjunto de entrenamiento, mejorando la generalización y precisión del modelo. En una contribución doble, esta tesis presenta primero un método para la selección inteligente, transformación e incorporación de radiografías de tórax de un conjunto de datos públicos en una red neuronal para mejorar la precisión de la clasificación de la neumonía. Este método mitiga los desafíos de trabajar con conjuntos de datos pequeños y variables entre diferentes hospitales. En segundo lugar, esta tesis presenta un método novedoso para el aumento de datos generativos para mejorar la precisión de la segmentación de tumores hepáticos en imágenes de resonancia magnética de múltiples contrastes. Al crear datos sintéticos para aumentar el conjunto de entrenamiento, este método busca mejorar la precisión y confiabilidad de la segmentación de tumores, una tarea vital para un diagnóstico preciso y una planificación del tratamiento. La investigación, desarrollada en colaboración con múltiples instituciones académicas y de investigación, tiene como objetivo en última instancia superar los desafíos en el análisis de imágenes médicas presentados por la escasez de datos etiquetados y mejorar las tareas CAD en diversas aplicaciones médicas.
dc.description.abstractenglishThis Ph.D. thesis examines the application of artificial intelligence, specifically deep learning models, in computer-aided diagnostic (CAD) tasks within medical imaging. While deep learning models have revolutionized the medical field, they remain dependent on large volumes of labeled data, often scarce and private, and that vary among medical centers. This thesis explores the concepts of ``domain adaptation'' and ``generative data augmentation'' to tackle the overfitting problem that arises from the lack of available data and affects the accuracy and generalization of models. The former leverages knowledge from a labeled source domain to improve the model's performance in a target domain with limited or no labeled data. The latter focuses on creating synthetic data to augment the training set, enhancing the model's generalizability and accuracy. In a two-pronged contribution, this thesis first presents a method for smart selection, transformation, and incorporation of chest X-rays from a public dataset into a neural network to improve the accuracy of pneumonia classification. This method mitigates the challenges of working with small, varying data sets across different hospitals. Secondly, this thesis introduces a novel method for generative data augmentation to enhance the accuracy of liver tumor segmentation in multi-contrast magnetic resonance images. By creating synthetic data to augment the training set, this method seeks to improve the precision and reliability of tumor segmentation, a vital task for accurate diagnosis and treatment planning. The research, developed in collaboration with multiple academic and research institutions, ultimately aims to overcome the challenges in medical imaging analysis presented by the scarcity of labeled data and enhance CAD tasks in various medical applications.
dc.description.degreelevelDoctorado
dc.description.degreenameDoctor en Ingeniería
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad Industrial de Santander
dc.identifier.reponameUniversidad Industrial de Santander
dc.identifier.repourlhttps://noesis.uis.edu.co
dc.identifier.urihttps://noesis.uis.edu.co/handle/20.500.14071/15552
dc.language.isoeng
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingeníerias Fisicomecánicas
dc.publisher.programDoctorado en Ingeniería: Área Ingeniería Electrónica
dc.publisher.schoolEscuela de Ingenierías Eléctrica, Electrónica y Telecomunicaciones
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAtribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectAprendizaje profundo
dc.subjectImágenes médicas
dc.subjectAdaptación de dominio
dc.subjectDiagnóstico asistido por computador
dc.subject.keywordDeep Learning
dc.subject.keywordMedical Imaging
dc.subject.keywordDomain Adaptation
dc.subject.keywordComputer-Aided Diagnosis
dc.titleDiseño de algoritmos de aprendizaje profundo para imágenes médicas en tareas de diagnóstico asistido por computador
dc.title.englishDeep Learning Algorithms Design for Medical Imaging in Computer-Aided Diagnosis Tasks
dc.type.coarhttp://purl.org/coar/resource_type/c_db06
dc.type.hasversionhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.localTesis/Trabajo de grado - Monografía - Doctorado
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Documento.pdf
Size:
49.48 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
137.51 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
473.8 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
2.18 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Doctorado en Ingeniería: Área Ingeniería Electrónica