Generación de secuencias cine-MRI cardiacos utilizando modelos generativos de aprendizaje profundo

Simple item page
dc.contributor.advisorMartínez Carrillo, Fabio
dc.contributor.authorGomez Hernandez, Santiago
dc.date.accessioned2023-04-06T03:22:37Z
dc.date.available2023
dc.date.available2023-04-06T03:22:37Z
dc.date.created2019
dc.date.issued2019
dc.description.abstractUna restricción fuerte en la generación de imágenes médicas es la presencia de artefactos que pueden alterar la estructura anatómica y causar la perdida de interpretación clínica en estas imágenes médicas. Adicionalmente, enfoques actuales están dedicados a reproducir características visuales y similitudes entre imágenes sin prestar atención a variaciones en la estructura que sugieren comportamientos patológicos de estructuras vivientes. Particularmente para las secuencias cardiacas cine-MRI, la existencia de estos problemas afecta en gran medida el diagnóstico emitido por el experto, debido a que la descripción morfológica de los ventrículos es fundamental para llevar a cabo este. Este trabajo introduce una estrategia con una red generativa adversaria progresiva (PGAN) que permite emular secuencias cardiacas cine-MRI con sentido patológico, es decir, que tengan características de una patología cardiaca. Un conjunto etiquetado de secuencias cine-MRI, de cinco condiciones cardiacas diferentes, es usado como condición de entrenamiento para recuperar imágenes cardiacas con sentido clínico. La PGAN comienza generando imágenes con detalles generales de las secuencias cine-MRI de baja resolución, hasta imágenes detalladas de alta resolución MRI. En cada iteración progresiva, una etiqueta indicando la condición cardiaca, restringe la generación de nuevas imágenes MRI, permitiendo emular una patología particular. Utilizando la red generativa entrenada, las imágenes generadas son propagadas hacia atrás a través de la red para obtener su correspondiente descriptor embebido. El conjunto de vectores embebidos de diferentes condiciones cardiacas es proyectado a un espacio de baja dimensionalidad para llevar a cabo una tarea no supervisada de agrupamiento. Como era de esperarse, los vectores embebidos que emulan la misma condición cardiaca están más cerca. Estos vectores embebidos también fueron usados para construir un problema de clasificación supervisada, consiguiendo un puntaje promedio del 80% de precisión en la tarea de clasificación de imágenes cine-MRI.
dc.description.abstractenglishA strong restriction on medical image synthesis is the presence of artifacts that might alter the anatomical structure, losing clinical interpretation. Additionally, current approaches are dedicated to reproducing visual features and image similarities without paying attention to structure variations that could suggest pathological behaviors on living structures. Particularly for cardiac-MRI sequences, these issues result very sensibly since the morphological ventricles description is fundamental to carry out a diagnosis. This work introduces a progressive generative adversarial network (PGAN) strategy that allows to emulate cardiac cine-MRI sequences with disease sense. A set of labeled cine-MRI, from five different heart conditions, are used as trained conditions to recover cardiac images with clinical sense. The PGAN starts by generating coarse images from low resolution to fine detailed images on high MRI resolution. At each progressive iteration, a label heart condition restricts the synthesis of new MRI images, allowing to emulate a particular pathology. From learned generated sub-network, the new generated image is back-propagated to obtain a corresponding embedding descriptor. The set of embeddings vectors from different heart conditions, are projected into a low-dimensional space to carried out a non-supervised clustering task. As expected, embeddings that emulate same heart conditions are closer. Also, these embeddings were used to built a supervised classification problem, achieving an average score of 80% on classification task of artificial cine-MRI images.
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/20.500.14071/13361
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingenierías 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.subjectGans Progresivas
dc.subjectEmulación De Patrones De Movimiento
dc.subjectCine-Mri.
dc.subject.keywordProgressive Gans
dc.subject.keywordMotion Patterns Emulation
dc.subject.keywordCine-Mri.
dc.titleGeneración de secuencias cine-MRI cardiacos utilizando modelos generativos de aprendizaje profundo
dc.title.englishCardiac cine-MRI sequences synthesis using deep learning generative models.
dc.type.coarhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.hasversionhttp://purl.org/coar/resource_type/c_7a1f
dc.type.localTesis/Trabajo de grado - Monografía - Pregrado
dspace.entity.type
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
444.96 KB
Format:
Adobe Portable Document Format
Description:
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
2.44 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
184.8 KB
Format:
Adobe Portable Document Format
Description:
Download
Collections
Ingeniería de Sistemas