Generación de secuencias cine-MRI cardiacos utilizando modelos generativos de aprendizaje profundo
dc.contributor.advisor | Martínez Carrillo, Fabio | |
dc.contributor.author | Gomez Hernandez, Santiago | |
dc.date.accessioned | 2023-04-06T03:22:37Z | |
dc.date.available | 2023 | |
dc.date.available | 2023-04-06T03:22:37Z | |
dc.date.created | 2019 | |
dc.date.issued | 2019 | |
dc.description.abstract | Una 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.abstractenglish | A 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.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/20.500.14071/13361 | |
dc.language.iso | spa | |
dc.publisher | Universidad Industrial de Santander | |
dc.publisher.faculty | Facultad de Ingenierías 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 | Gans Progresivas | |
dc.subject | Emulación De Patrones De Movimiento | |
dc.subject | Cine-Mri. | |
dc.subject.keyword | Progressive Gans | |
dc.subject.keyword | Motion Patterns Emulation | |
dc.subject.keyword | Cine-Mri. | |
dc.title | Generación de secuencias cine-MRI cardiacos utilizando modelos generativos de aprendizaje profundo | |
dc.title.english | Cardiac cine-MRI sequences synthesis using deep learning generative models. | |
dc.type.coar | http://purl.org/coar/version/c_b1a7d7d4d402bcce | |
dc.type.hasversion | http://purl.org/coar/resource_type/c_7a1f | |
dc.type.local | Tesis/Trabajo de grado - Monografía - Pregrado | |
dspace.entity.type |
Files
Original bundle
1 - 3 of 3
No Thumbnail Available
- Name:
- Carta de autorización.pdf
- Size:
- 444.96 KB
- Format:
- Adobe Portable Document Format
- Description:
No Thumbnail Available
- Name:
- Nota de proyecto.pdf
- Size:
- 184.8 KB
- Format:
- Adobe Portable Document Format
- Description: