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

Simple item page
dc.contributor.advisorMartínez Carrillo, Fabio
dc.contributor.authorSebastian Florez Rojas
dc.contributor.evaluatorArguello Fuentes, Henry
dc.contributor.evaluatorGarzon Villamizar, Gustavo Adolfo
dc.date.accessioned2023-08-10T19:32:10Z
dc.date.available2023-08-10T19:32:10Z
dc.date.created2023-08-08
dc.date.issued2023-08-08
dc.description.abstractLa 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.abstractenglishComputed 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.degreelevelPregrado
dc.description.degreenameIngeniero de Sistemas
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/20.500.14071/14778
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingeníerias Fisicomecánicas
dc.publisher.programIngeniería de Sistemas
dc.publisher.schoolEscuela de Ingeniería de Sistemas e Informática
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.licenseAttribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectmecanismos de atención
dc.subjecttomografía computarizada
dc.subjectsegmentación
dc.subjectACV
dc.subjectmapa paramétrico
dc.subject.keywordParametric map
dc.subject.keywordattention
dc.subject.keywordcomputed tomography
dc.subject.keywordsegmentation
dc.titleSegmentación de lesiones de accidente cerebrovascular utilizando representaciones profundas que incluyan mecanismos de atención
dc.title.englishSegmentation of stroke lesions using deep representations including attention mechanisms
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.hasversionhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.localTesis/Trabajo de grado - Monografía - Pregrado
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
200.28 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
150.53 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
3.63 MB
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
Ingeniería de Sistemas