Representaciones latentes de tomografías computarizadas para la detección de anomalías relacionadas con neumonía y COVID-19

Simple item page
dc.contributor.advisorMartínez Carrillo, Fabio
dc.contributor.authorMoreno Ríos, Juan Pablo
dc.contributor.evaluatorRueda Chacón, Hoover Fabian
dc.contributor.evaluatorBacca Quintero, Jorge Luis
dc.date.accessioned2023-05-19T12:45:21Z
dc.date.available2023-05-19T12:45:21Z
dc.date.created2023-05-16
dc.date.issued2023-05-16
dc.description.abstractLas neumonías bacterianas, virales, y las causadas por el COVID-19 pueden ser caracterizadas mediante la observación e identificación de hallazgos radiológicos en estudios de tomografías computarizadas (CT, por sus siglas en ingles). Estos hallazgos visuales permiten entre otros la valoración, estratificación de la enfermedad y el seguimiento del paciente. No obstante, este análisis es principalmente observacional, sujeto a la experticia de los radiólogos, lo que conduce a sesgos en el diagnóstico y una consecuente baja especificidad (hasta un 33 % ha sido reportado). Los modelos de aprendizaje profundo han emergido como herramientas claves para apoyar tareas relacionadas con la detección y clasificación y diagnóstico, soportado en la codificación de patrones visuales. Estos modelos, sin embargo, son ajustados bajo esquemas de aprendizaje de muestras de los datos que sean significativas, balanceadas, y estratificadas, con el fin de lograr exitosamente la tarea de modelado. Además su carácter típicamente supervisado puede introducir sesgos relacionados con el aprendizaje particular de las muestras etiquetadas. En este trabajo se propuso un esquema no auto-supervisado que bajo un esquema variacional profundo, es capaz de codificar patrones radiológicos para discriminar entre diferentes neumonias y la clase control. Primero, en el trabajo se ajusto una arquitectura de autoencoder variacional siguiendo una tarea de pretexto relacionada con la construcción. Desde el espacio embebido variacional, se lograron construir descriptores embebidos que en un espacio latente tienen una capacidad de discriminación lineal entre las clases. El método propuesto fue evaluado sobre un estudio retrospectivo de estudios CT que corresponden a 996 pacientes clasificados bajo 3 grupos de datos: Control, COVID-19, y Neumonía. En la tarea de clasificación, el método propuesto logró una sensibilidad del 100 %, y especificidad del 98 % y 95 % para COVID-19 y neumonías típicas respectivamente, evidenciando una clara distinción entre estos tres grupos.
dc.description.abstractenglishBacterial, Viral, and COVID-19 related Pneumonia can be characterised via observation and identification of imaging findings in computerized tomography (CT) scans, which allows the correct assessment and monitoring of patients. Nonetheless, the evaluation of CT scans is primarily based on observational radiologist analysis, being then subject to bias and highly prone to error, with a low specificity at around 33 %. Due to this, supportive computational tools have taken an important role in the underpinning of diagnosis. Deep learning models have cemented themselves as an effective solution for support, detection, and automatic classification of patterns related with, in this case, imaging findings. Regardless, these models are highly dependent on the amount of data samples that are significant, balanced, and stratified, in order to successfully accomplish the modelling task. This project has as purpose the development of a deep variational model capable of inferring radiologic characteristics under schemes of self and unsupervised learning, using data without stratification restrictions, and to produce embedded vectors in a high-dimensional latent space, which were then reduced to two components by means of linear discriminant analysis for the purpose of classification and visualization. These schemes were evaluated on 996 patients under three groups of data: Control, COVID-19, and Typical Pneumonia. On the classification task the resulting embeddings of the proposed schemes reached a sensitivity of 100 %, and specificity of 98 % and 95 % for COVID-19 and Typical Pneumonia respectively, evidencing a clear distinction between the three groups. Lastly the results were corroborated with the sate of the art and the schemes were also more thoroughly explored with imaging findings.
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/20.500.14071/14285
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.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.subjectNeumonía
dc.subjectCOVID-19
dc.subjectHallazgos Imagenológicos
dc.subjectAutoencoder Variacional
dc.subjectRepresentación Latente
dc.subjectDetección de Anomalías
dc.subjectTomografías Axiales Computarizadas
dc.subject.keywordPneumonia
dc.subject.keywordCOVID-19
dc.subject.keywordImaging Findings
dc.subject.keywordVariational Autoencoder
dc.subject.keywordLatent Representation
dc.subject.keywordAnomaly Detection
dc.subject.keywordComputerized Tomography Scans
dc.titleRepresentaciones latentes de tomografías computarizadas para la detección de anomalías relacionadas con neumonía y COVID-19
dc.title.englishLATENT REPRESENTATIONS OF COMPUTERIZED TOMOGRAPHY SCANS FOR DETECTING ANOMALIES RELATED TO PNEUMONIA AND COVID-19
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
dspace.entity.type
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Documento.pdf
Size:
9.65 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
70.14 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
267.2 KB
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