Search

[Abstract]: Age-Related Macular Degeneration (AMD) is the main cause of severe visual impairment and blindness in Europe, and its prevalence is expected to increase worldwide due to population aging. Optical Coherence Tomography (OCT) is a noninvasive retinal imaging technique that has become the standard of care in the diagnosis and monitoring of late AMD, where the great majority of severe symptoms are manifested. Neovascular late AMD, where new pathological blood vessels are formed that may leak fluid, often results in relatively rapid vision loss. Treatment exists for neovascular AMD, such that its detection and characterization plays a key role in patient outcomes. This project applies deep learning techniques to the task of AMD characterization. To do so, a data set of OCT scans labeled as to the presence of fluid and neovascularisation is used to train deep convolutional networks. Analysis of this initial experiment produced two hypotheses of performance limiting factors: intra-expert variability and data scarcity. The former was addressed through the development of a machine-assisted review process based on the Class Activation Mapping (CAM) interpretability technique. A small blinded trial was favorable to the methodology. The latter resulted in the adaptation of a large public data set to explore domain-specific transfer learning. [Resumo]: A Dexeneración Macular Asociada á Idade (DMAI) é a principal causa de discapacidade visual severa e cegueira en Europa, e espérase que a súa prevalencia aumente a nivel mundial debido ó envellecemento poboacional. A Tomografía de Coherencia Óptica (TCO) é un método non invasivo de imaxe retiniana que se converteu no estándar no diagnóstico e monitorización da DMAI tardía, onde se manifestan a maioría de síntomas graves. A DMAI tardía neovascular, onde se forman novos vasos sanguíneos patolóxicos que poden derramar fluído, a miúdo resulta en perda de visión de forma relativamente repentina. Existen tratamentos para a DMAI neovascular, de modo que a súa detección e caracterización xoga un papel crucial no prognóstico dos pacientes. Este proxecto aplica técnicas de aprendizaxe profunda á tarefa de caracterización de DMAI. Con ese fin, un conxunto de datos de TCO anotado en base á presenza de fluído e neovascularización foi empregado para entrenar redes convolucionais profundas. A análise deste experimento inicial produciu dúas hipóteses sobre factores que limitan o rendemento: a variabilidade intra-experto e a escaseza de datos. O primeiro foi afrontado mediante o desenvolvemento dun proceso de revisión de anotacións asistido por computadora, baseado na técnica de interpretabilidade Class Activation Mapping (CAM). Un pequeno estudo cego foi favorable á metodoloxía. A segunda hipótese resultou na adaptación dun gran conxunto de datos público para a exploración de transferencia de aprendizaxe específica ó dominio. Traballo fin de grao (UDC.FIC). Enxeñaría Informática. Curso 2021/2022

[Resumen]: En el ámbito oftalmológico, para llevar a cabo diferentes procesos de diagnóstico clínico, es normal disponer de diversos tipos de imágenes de fondo de ojo. Este tipo de imágenes pueden ser de dos tipos: invasivas, que implican una agresión al órgano visual; no invasivas, que no implican ningún tipo de agresión y suelen ser más fáciles de obtener. En consecuencia, en los últimos años ha aumentado considerablemente el uso de este último grupo de imágenes oftalmológicas para el diagnóstico de diferentes patologías, como membranas neovasculares, retinopatía diabética, edema macular, coroidopatía serosa central u oclusiones arteriales y venosas. En este trabajo, utilizaremos imágenes de Angiografía por Tomografía de Coherencia Óptica (OCT-A). En particular, la OCT-A es una nueva modalidad de imagen oftalmológica, rápida y no invasiva capaz de proporcionar imágenes de alta resolución a diferentes profundidades de los vasos sanguíneos de la retina. Así, en cuestión de segundos, el clínico puede visualizar y analizar la compleja red vascular en tres dimensiones y la morfología de las diferentes capas de la retina. Por lo tanto, la OCT-A es muy útil para el diagnóstico y el seguimiento de pacientes con diferentes patologías oculares y/o sistémicas. En este sentido, hemos desarrollado una plataforma web para el análisis automático de imágenes OCT-A, facilitando al especialista clínico la realización de diagnósticos más precisos y proporcionando información sobre el pronóstico de diferentes enfermedades sistémicas y/u oculares. Por un lado, la plataforma web cuenta con 2 módulos inteligentes integrados para el análisis automático de imágenes OCT-A: (I) Módulo de extracción automática de la zona avascular foveal (ZAF); y (II) Módulo de análisis automática de la densidad vascular (DV). Por otro lado, la plataforma web también dispone de diferentes módulos de gestión clínica que completan su funcionalidad. El proyecto se ha llevado a cabo utilizando la metodología ágil SCRUM, debido a la flexibilidad que ofrece en los casos en que los requisitos puedan cambiar. Para ello, el desarrollo se ha dividido en una serie de sprints en los que al inicio de cada uno de ellos se planifican las funcionalidades a realizar dentro del mismo. Finalmente, durante la ejecución de este proyecto se han realizado diferentes pruebas unitarias y de aceptación para comprobar el correcto funcionamiento e integración de los diferentes módulos. [Abstract]: In the ophthalmological field, to carry out different clinical diagnostic processes, it is normal to have different types of fundus images. This type of images can be of two types: invasive, which imply an aggression to the visual organ; non-invasive, which do not involve any type of aggression and are usually easier to obtain. Consequently, in recent years the use of this last group of ophthalmological images has increased considerably for the diagnosis of different pathologies, such as neovascular membranes, diabetic retinopathy, macular edema, central serous choroidopathy or arterial and venous occlusions. In this work, we will use Optical Coherence Tomography Angiography (OCT-A) images. In particular, OCT-A is a new, fast, non-invasive ophthalmological imaging modality capable of providing high-resolution images at different depths of the retinal blood vessels. Thus, in a matter of seconds, the clinician can visualize and analyze the complex vascular network in three dimensions and the morphology of the different layers of the retina. Therefore, OCT-A is very useful for the diagnosis and follow-up of patients with different ocular and/or systemic pathologies. In this sense, we have developed a web platform for the automatic analysis of OCT-A images, facilitating the clinical specialist to make more precise diagnoses and providing information on the prognosis of different systemic and/or ocular diseases. On the one hand, the web platform has 2 integrated intelligent modules for the automatic analysis of OCT-A images: (I) Module for automatic extraction of the foveal avascular zone (FAZ); and (II) Module for automatic analysis of vascular density (VD). On the other hand, the web platform also has different clinical management modules that complete its functionality. The project has been carried out using the agile SCRUM methodology, due to to the flexibility it offers in cases where the requirements may change. For this, the development has been divided into a series of sprints in which at the beginning of each of them the functionalities to be carried out within it are planned. Finally, during the execution of this project, different unit and acceptance tests have been carried out to verify the correct operation and integration of the different modules. Traballo fin de grao (UDC.FIC). Enxeñaría Informática. Curso 2021/2022

[Resumen]: Los puertos marítimos se han convertido en un pilar fundamental para el desarrollo económico global. Los efectos de la globalización han hecho que los puertos se posicionen como el principal método de transporte de bienes materiales, lo que ha provocado que haya un flujo comercial constante y a gran escala. Por ello, es necesario transformar estos entornos portuarios en los llamados “Smart Ports” o puertos inteligentes para mejorar la seguridad, la eficiencia y la supervisión de las operaciones que se llevan a cabo en ellos. En este proyecto, se proponen dos metodologías automáticas para la detección de eventos de atraque y desatraque de barcos, estando la primera basada en técnicas clásicas de visión artificial y la segunda en técnicas de Deep Learning. En base a los resultados obtenidos, se analiza qué aproximación es más adecuada para este dominio de aplicación. Finalmente, se integra este sistema en un servicio vinculado a una plataforma ”Smart Ports” para el manejo automatizado de eventos, lo que muestra una aplicación del sistema en el mundo real. Son escasos, si no nulos, los antecedentes bibliográficos referentes a la problemática propuesta, lo que añade valor al desarrollo de este sistema, dando pie a futuros avances en la investigación del dominio. [Abstract]: Seaports have become fundamental pillars of worldwide economic development. The effects of globalization have made ports position themselves as the main method of goods transportation, which has produced a constant and large-scale commercial flow. Thus, it is necessary to transform these port environments into the so-called “Smart Ports” to improve security, efficiency and supervision involving the operations performed in said environments. In this project, two automatic methodologies for the detection of ship docking and undocking events are proposed, the first based on classical computer vision techniques and the second on Deep Learning ones. From the obtained results, which methodology between the former and the latter is more adequate for this application domain is discussed. Finally, the system is integrated into a service linked to a “Smart Ports” platform for automated event handling, showing a real-world implementation of the system. Bibliographic precedents referring to the proposed problem are scarce, if not null, which adds value to the development of this system, giving cause for future advances in the domain’s research. Traballo fin de grao (UDC.FIC). Enxeñaría Informática. Curso 2021/2022