Segmentación de accidentes cerebrovasculares isquémicos en secuencias radiológicas utilizando mecanismos de atención con aprendizaje profundo

Simple item page
dc.contributor.advisorMartínez Carrillo, Fabio
dc.contributor.authorGómez Hernández, Santiago
dc.contributor.evaluatorCastrillón Guzmán, Juan Gabriel
dc.contributor.evaluatorVillalón Reina, Julio Ernesto
dc.date.accessioned2023-06-20T21:22:42Z
dc.date.available2023-06-20T21:22:42Z
dc.date.created2023-06-05
dc.date.issued2023-06-05
dc.description.abstractLa localización y delimitación de las lesiones cerebrales es un componente clave del diagnóstico de los accidentes cerebrovasculares, especialmente a partir de estudios de RM. Sin embargo, esta delineación manual requiere mucho tiempo y está sesgada por la opinión de los expertos. Este trabajo presenta una arquitectura de autocodificador que integra eficazmente mecanismos de atención cruzada, junto con supervisión profunda jerárquica para delinear lesiones en escenarios con gran desbalance de clases, geometría desafiante de la forma y una representación textural variable. En primer lugar, se propone un autocodificador profundo de atención cruzada para centrarse en la forma de la lesión a través de un conjunto de mapas convolucionales de saliencia, forzando las conexiones de salto para preservar la morfología del tejido afectado. Además, se adaptó un esquema de entrenamiento de supervisión profunda para inducir el aprendizaje de detalles jerárquicos de la lesión. Adicionalmente, una función de pérdida ponderada especial destaca el tejido de la lesión, aliviando el impacto negativo del desbalance de clases. El modelo propuesto se entrenó y validó eficazmente en estudios de RM. Interesantemente, el trabajo propuesto también se adaptó para segmentar lesiones de accidente cerebrovascular en secuencias de TC. Teniendo en cuenta el bajo contraste de los hallazgos radiológicos en los estudios de TC, el enfoque incluye una tarea de aprendizaje auxiliar para prestar atención a los bordes de la lesión. En cuanto a los estudios de RM, el enfoque propuesto se validó en el conjunto de datos público ISLES2017 superando los resultados del estado del arte, alcanzando un dice score de $0.36$ y una precisión de $0.42$. La mejor configuración arquitectónica se consiguió integrando las secuencias ADC, TTP y Tmax. Con respecto al rendimiento del modelo sobre secuencias TC, una evaluación sobre el conjunto de datos ISLES2018 mostró resultados competitivos de $0.42$ en dice score y $0.48$ en precisión. La contribución de los autocodificadores de atención cruzada profundamente supervisados permite un mejor apoyo en la discriminación entre las regiones sanas y lesionadas, lo que en consecuencia se traduce en un pronóstico y seguimiento favorables de los pacientes.
dc.description.abstractenglishThe key component of stroke diagnosis is the localization and delineation of brain lesions, especially from MRI studies. Nonetheless, this manual delineation is time-consuming and biased by expert opinion. This work introduces an autoencoder architecture that effectively integrates cross-attention mechanisms, together with hierarchical deep supervision to delineate lesions under scenarios of remarked imbalance tissue classes, challenging geometry of the shape, and a variable textural representation. Firstly, a cross-attention deep autoencoder is herein proposed to focus on the lesion shape through a set of convolutional saliency maps, forcing skip connections to preserve the morphology of affected tissue. Moreover, a deep supervision training scheme was adapted to induce the learning of hierarchical lesion details. Besides, a special weighted loss function remarks lesion tissue, alleviating the negative impact of class imbalance. The proposed model was effectively trained and validated over MRI studies. Interestingly, the proposed work was also adapted to segment stroke lesions over CT sequences. Taking into account the low contrast of radiological findings over CT studies, the approach includes an auxiliary learning task to pay attention of lesion boundaries. Regarding MRI studies, the proposed approach was validated on the public ISLES2017 dataset outperforming state-of-the-art results, achieving a dice score of $0.36$ and a precision of $0.42$. The best architectural configuration was achieved by integrating ADC, TTP and Tmax sequences. With respect to model performance over CT sequences, an evaluation over the ISLES2018 dataset showed competitive results of $0.42$ in dice score and $0.48$ in precision. The contribution of deeply supervised cross-attention autoencoders allows a better support to the discrimination between healthy and lesion regions, which consequently results in favorable prognosis and follow-up of patients.
dc.description.cvlachttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001780321
dc.description.degreelevelMaestría
dc.description.degreenameMagíster en Ingeniería de Sistemas e Informática
dc.description.googlescholarhttps://scholar.google.com/citations?user=HdpQam8AAAAJ&hl=es
dc.description.orcidhttps://orcid.org/0000-0001-6951-7452
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/20.500.14071/14582
dc.language.isoeng
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingeníerias Fisicomecánicas
dc.publisher.programMaestría en Ingeniería de Sistemas e Informática
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.subjectSegmentación de accidente cerebrovascular isquémico
dc.subjectMecanismos de atención
dc.subjectTC
dc.subjectRM
dc.subjectProblemas desbalanceados
dc.subject.keywordIschemic Stroke Segmentation
dc.subject.keywordAttention Mechanisms
dc.subject.keywordCT
dc.subject.keywordMRI
dc.subject.keywordImbalanced Problems
dc.titleSegmentación de accidentes cerebrovasculares isquémicos en secuencias radiológicas utilizando mecanismos de atención con aprendizaje profundo
dc.title.englishSegmentation of Ischemic Stroke Lesions in Radiological Sequences using Deep Attention Mechanisms
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.hasversionhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.localTesis/Trabajo de grado - Monografía - Maestría
dspace.entity.type
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
155.82 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
109.49 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
4.36 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
Maestría en Ingeniería de Sistemas e Informática