Segmentación de lesiones de accidente cerebrovascular utilizando representaciones profundas que incluyan mecanismos de atención

Sebastian Florez Rojas

Segmentación de lesiones de accidente cerebrovascular utilizando representaciones profundas que incluyan mecanismos de atención

dc.contributor.advisor	Martínez Carrillo, Fabio
dc.contributor.author	Sebastian Florez Rojas
dc.contributor.evaluator	Arguello Fuentes, Henry
dc.contributor.evaluator	Garzon Villamizar, Gustavo Adolfo
dc.date.accessioned	2023-08-10T19:32:10Z
dc.date.available	2023-08-10T19:32:10Z
dc.date.created	2023-08-08
dc.date.issued	2023-08-08
dc.description.abstract	La tomografía computarizada (CT) es hoy en día la secuencia de imágenes diagnósticas más utilizada para el análisis de hallazgos y detección temprana de los ACV. En estos estudios las lesiones cerebrales son observadas como regiones hipo-atenuadas y su principal uso es en estudios de tamizaje para discriminar entre los posibles tipos de lesión. En la literatura se han propuesto representaciones neuronales para la localización, la delineación y caracterización de lesiones relacionadas con ACV para apoyar la delineación de estos estudios. Sin embargo, las estrategias actuales presentan limitaciones para caracterizar estas lesiones debido a su alta variabilidad en cuanto a su apariencia y geometría. Además estas arquitecturas típicamente se entrenan sobre las secuencias completas, en donde las lesiones cerebrales representan aproximadamente un 5% de la masa cerebral. En el presente trabajo se desarrolló una arquitectura de tipo codificador-decodificador, que entrenada bajo un esquema supervisado, aprende a realizar segmentaciones a partir de delineaciones de expertos sobre estudios CT. Para enfocarse en las regiones asociadas a las lesiones, en este trabajo se realizo una red que incluye mecanismos de atención para establecer relaciones no-locales que representan la geometría de la lesión. Sumado a esto, se desarrolló una segunda fase de entrenamiento a la red para utilizar la información obtenida en la primera fase en un nuevo entrenamiento para refinar los resultados obtenidos inicialmente en la primera fase. La estrategia fue validada en el conjunto de datos ISLES 2017, obteniendo un DSC de 0.66 con 0.67 de precisión.
dc.description.abstractenglish	Computed tomography (CT) is nowadays the most utilized diagnostic imaging for the early analysis and detection of stroke. From these studies, the lesions are observed as hipo-attenuated regions and its main use is in screening studies to determine the type of stroke lesion. In the state of the art there have been proposed multiple computational strategies for the localization, characterization and delineation of stroke related lesions. Nevertheless, these strategies have characterization limitations on these lesions due to their high variability on appearance and geometry. Besides, this architectures are tipically trained on complete sequences where the lesions are approximately 5% of brain. This proposed work is aimed to develop an encoder-decoder type architecture to be trained in a supervised scheme, learning delineation from experts in CT studies. In order to focus on the regions associated with the lesions, in this work a neural network including attention mechanisms was made to stablish non-local relationships representing the geometry of the lesion. Added to this, we developed a second training phase in the architecture to use the information found in the first phase in a new training, refining the results acquired from the first phase. This strategy was validated on the ISLES 2017 dataset, obtaining a DSC of 0.66 with a precision of 0.67 in the validation dataset.
dc.description.degreelevel	Pregrado
dc.description.degreename	Ingeniero de Sistemas
dc.format.mimetype	application/pdf
dc.identifier.instname	Universidad Industrial de Santander
dc.identifier.reponame	Universidad Industrial de Santander
dc.identifier.repourl	https://noesis.uis.edu.co
dc.identifier.uri	https://noesis.uis.edu.co/handle/20.500.14071/14778
dc.language.iso	spa
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ingeníerias Fisicomecánicas
dc.publisher.program	Ingeniería de Sistemas
dc.publisher.school	Escuela de Ingeniería de Sistemas e Informática
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.license	Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	mecanismos de atención
dc.subject	tomografía computarizada
dc.subject	segmentación
dc.subject	ACV
dc.subject	mapa paramétrico
dc.subject.keyword	Parametric map
dc.subject.keyword	attention
dc.subject.keyword	computed tomography
dc.subject.keyword	segmentation
dc.title	Segmentación de lesiones de accidente cerebrovascular utilizando representaciones profundas que incluyan mecanismos de atención
dc.title.english	Segmentation of stroke lesions using deep representations including attention mechanisms
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.hasversion	http://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado