Search

[ES] La fibrilación auricular (FA) es una arritmia supraventricular caracterizada por una actividad eléctrica caótica y desorganizada que conduce a una contracción irregular. La FA es la arritmia cardíaca más común y su prevalencia aumenta con el envejecimiento de la población. Actualmente, la ablación cardíaca es el principal tratamiento de la FA. Para guiar y planificar este tratamiento es esencial que los médicos tengan acceso a modelos 3D de la anatomía auricular que sean específicos del paciente. Para ello, en la práctica clínica se segmentan manualmente las aurículas lo que requiere una intensiva labor. El objetivo de este proyecto es desarrollar algoritmos automáticos para la segmentación de la aurícula izquierda y derecha, a partir de imágenes volumétricas de Resonancia Magnética (RM), mediante el empleo de técnicas de Deep Learning. En este proyecto se han utilizado redes neuronales con la arquitectura encoder-decoder para obtener una segmentación precisa, píxel a píxel, de la aurícula a partir de imágenes 3D de RM. Mientras que la mayoría de los estudios en esta área concentran sus esfuerzos en la segmentación de la aurícula izquierda (AI), el objetivo de este proyecto ha sido obtener un modelo de segmentación capaz también de segmentar la aurícula derecha (AD) a partir de pocas muestras anotadas. Con este fin, se entrenó a la red con 2 bases de datos. La primera base de datos está compuesta de 100 imágenes volumétricas de RM con segmentaciones manuales o ground-truth de AI y se utilizó para obtener un modelo de alto rendimiento para posterior aplicación de técnicas deep fine-tuning. La segunda base de datos está compuesta de 19 imágenes volumétricas de RM de alta variabilidad con segmentaciones anotadas de ambas cavidades auriculares y se utilizó para verificar la precisión de segmentación de la red para AI y AD a partir de pocas muestras anotadas. Además, la alta capacidad de generalización obtenida por el modelo formado con la segunda base de datos se v, [EN] Atrial Fibrillation (AF) is a supraventricular arrythmia characterised by a chaotic and disorganised electrical activity which leads to an irregular contraction. AF is the most common cardiac arrythmia and its prevalence increases with the ageing population. It is estimated that there are currently 4.5 million cases in Europe. Currently, cardiac ablation is the main treatment procedure for AF treatment. To guide and plan this procedure it is essential for clinicians to obtain 3D anatomical reconstruction models of the atria which are patient specific. In clinical practice the atria is manually delineated which is a labour-intensive method. The aim of this project is to develop automatic algorithms with employment of Deep Learning (DL) techniques for left and right atrium segmentation from MRI volumetric images. In this project neural networks have been used with encoder-decoder architecture to provide accurate pixel-wise segmentation of the atria from 3D MRI images. Whilst most studies in this area concentrate their efforts in left atrium (LA) segmentation the aim of this project was to obtain a segmentation model also capable of accurate right atrium (RA) segmentation from few annotated data. For this purpose, the network was trained with 2 databases. The first database consisted of 100 volumetric MRI images with LA ground-truth segmentations and was used to obtain a high-performance model for posterior deep fine-tuning techniques. The second database consisted of 19 volumetric MRI images of high variability with ground-truth segmentation of both atria cavities and was used to verify the segmentation accuracy of the network for LA and RA from few annotated samples. Furthermore, the high generalisation capacity obtained by the model trained with the second database was verified with an external database of only LA ground-truth. To compare the predicted segmentation with the labelled data a similarity coefficient was computed from them and was compared with the

[ES] La fibrilación auricular (FA) es una arritmia supraventricular caracterizada por una actividad eléctrica caótica y desorganizada que conduce a una contracción irregular. La FA es la arritmia cardíaca más común y su prevalencia aumenta con el envejecimiento de la población. Actualmente, la ablación cardíaca es el principal tratamiento de la FA. Para guiar y planificar este tratamiento es esencial que los médicos tengan acceso a modelos 3D de la anatomía auricular que sean específicos del paciente. Para ello, en la práctica clínica se segmentan manualmente las aurículas lo que requiere una intensiva labor. El objetivo de este proyecto es desarrollar algoritmos automáticos para la segmentación de la aurícula izquierda y derecha, a partir de imágenes volumétricas de Resonancia Magnética (RM), mediante el empleo de técnicas de Deep Learning. En este proyecto se han utilizado redes neuronales con la arquitectura encoder-decoder para obtener una segmentación precisa, píxel a píxel, de la aurícula a partir de imágenes 3D de RM. Mientras que la mayoría de los estudios en esta área concentran sus esfuerzos en la segmentación de la aurícula izquierda (AI), el objetivo de este proyecto ha sido obtener un modelo de segmentación capaz también de segmentar la aurícula derecha (AD) a partir de pocas muestras anotadas. Con este fin, se entrenó a la red con 2 bases de datos. La primera base de datos está compuesta de 100 imágenes volumétricas de RM con segmentaciones manuales o ground-truth de AI y se utilizó para obtener un modelo de alto rendimiento para posterior aplicación de técnicas deep fine-tuning. La segunda base de datos está compuesta de 19 imágenes volumétricas de RM de alta variabilidad con segmentaciones anotadas de ambas cavidades auriculares y se utilizó para verificar la precisión de segmentación de la red para AI y AD a partir de pocas muestras anotadas. Además, la alta capacidad de generalización obtenida por el modelo formado con la segunda base de datos se v, [EN] Atrial Fibrillation (AF) is a supraventricular arrythmia characterised by a chaotic and disorganised electrical activity which leads to an irregular contraction. AF is the most common cardiac arrythmia and its prevalence increases with the ageing population. It is estimated that there are currently 4.5 million cases in Europe. Currently, cardiac ablation is the main treatment procedure for AF treatment. To guide and plan this procedure it is essential for clinicians to obtain 3D anatomical reconstruction models of the atria which are patient specific. In clinical practice the atria is manually delineated which is a labour-intensive method. The aim of this project is to develop automatic algorithms with employment of Deep Learning (DL) techniques for left and right atrium segmentation from MRI volumetric images. In this project neural networks have been used with encoder-decoder architecture to provide accurate pixel-wise segmentation of the atria from 3D MRI images. Whilst most studies in this area concentrate their efforts in left atrium (LA) segmentation the aim of this project was to obtain a segmentation model also capable of accurate right atrium (RA) segmentation from few annotated data. For this purpose, the network was trained with 2 databases. The first database consisted of 100 volumetric MRI images with LA ground-truth segmentations and was used to obtain a high-performance model for posterior deep fine-tuning techniques. The second database consisted of 19 volumetric MRI images of high variability with ground-truth segmentation of both atria cavities and was used to verify the segmentation accuracy of the network for LA and RA from few annotated samples. Furthermore, the high generalisation capacity obtained by the model trained with the second database was verified with an external database of only LA ground-truth. To compare the predicted segmentation with the labelled data a similarity coefficient was computed from them and was compared with the

[ES] La fibrilación auricular (FA) es una arritmia supraventricular caracterizada por una actividad eléctrica caótica y desorganizada que conduce a una contracción irregular. La FA es la arritmia cardíaca más común y su prevalencia aumenta con el envejecimiento de la población. Actualmente, la ablación cardíaca es el principal tratamiento de la FA. Para guiar y planificar este tratamiento es esencial que los médicos tengan acceso a modelos 3D de la anatomía auricular que sean específicos del paciente. Para ello, en la práctica clínica se segmentan manualmente las aurículas lo que requiere una intensiva labor. El objetivo de este proyecto es desarrollar algoritmos automáticos para la segmentación de la aurícula izquierda y derecha, a partir de imágenes volumétricas de Resonancia Magnética (RM), mediante el empleo de técnicas de Deep Learning. En este proyecto se han utilizado redes neuronales con la arquitectura encoder-decoder para obtener una segmentación precisa, píxel a píxel, de la aurícula a partir de imágenes 3D de RM. Mientras que la mayoría de los estudios en esta área concentran sus esfuerzos en la segmentación de la aurícula izquierda (AI), el objetivo de este proyecto ha sido obtener un modelo de segmentación capaz también de segmentar la aurícula derecha (AD) a partir de pocas muestras anotadas. Con este fin, se entrenó a la red con 2 bases de datos. La primera base de datos está compuesta de 100 imágenes volumétricas de RM con segmentaciones manuales o ground-truth de AI y se utilizó para obtener un modelo de alto rendimiento para posterior aplicación de técnicas deep fine-tuning. La segunda base de datos está compuesta de 19 imágenes volumétricas de RM de alta variabilidad con segmentaciones anotadas de ambas cavidades auriculares y se utilizó para verificar la precisión de segmentación de la red para AI y AD a partir de pocas muestras anotadas. Además, la alta capacidad de generalización obtenida por el modelo formado con la segunda base de datos se v, [EN] Atrial Fibrillation (AF) is a supraventricular arrythmia characterised by a chaotic and disorganised electrical activity which leads to an irregular contraction. AF is the most common cardiac arrythmia and its prevalence increases with the ageing population. It is estimated that there are currently 4.5 million cases in Europe. Currently, cardiac ablation is the main treatment procedure for AF treatment. To guide and plan this procedure it is essential for clinicians to obtain 3D anatomical reconstruction models of the atria which are patient specific. In clinical practice the atria is manually delineated which is a labour-intensive method. The aim of this project is to develop automatic algorithms with employment of Deep Learning (DL) techniques for left and right atrium segmentation from MRI volumetric images. In this project neural networks have been used with encoder-decoder architecture to provide accurate pixel-wise segmentation of the atria from 3D MRI images. Whilst most studies in this area concentrate their efforts in left atrium (LA) segmentation the aim of this project was to obtain a segmentation model also capable of accurate right atrium (RA) segmentation from few annotated data. For this purpose, the network was trained with 2 databases. The first database consisted of 100 volumetric MRI images with LA ground-truth segmentations and was used to obtain a high-performance model for posterior deep fine-tuning techniques. The second database consisted of 19 volumetric MRI images of high variability with ground-truth segmentation of both atria cavities and was used to verify the segmentation accuracy of the network for LA and RA from few annotated samples. Furthermore, the high generalisation capacity obtained by the model trained with the second database was verified with an external database of only LA ground-truth. To compare the predicted segmentation with the labelled data a similarity coefficient was computed from them and was compared with the

[ES] La fibrilación auricular (FA) es una arritmia supraventricular caracterizada por una actividad eléctrica caótica y desorganizada que conduce a una contracción irregular. La FA es la arritmia cardíaca más común y su prevalencia aumenta con el envejecimiento de la población. Actualmente, la ablación cardíaca es el principal tratamiento de la FA. Para guiar y planificar este tratamiento es esencial que los médicos tengan acceso a modelos 3D de la anatomía auricular que sean específicos del paciente. Para ello, en la práctica clínica se segmentan manualmente las aurículas lo que requiere una intensiva labor. El objetivo de este proyecto es desarrollar algoritmos automáticos para la segmentación de la aurícula izquierda y derecha, a partir de imágenes volumétricas de Resonancia Magnética (RM), mediante el empleo de técnicas de Deep Learning. En este proyecto se han utilizado redes neuronales con la arquitectura encoder-decoder para obtener una segmentación precisa, píxel a píxel, de la aurícula a partir de imágenes 3D de RM. Mientras que la mayoría de los estudios en esta área concentran sus esfuerzos en la segmentación de la aurícula izquierda (AI), el objetivo de este proyecto ha sido obtener un modelo de segmentación capaz también de segmentar la aurícula derecha (AD) a partir de pocas muestras anotadas. Con este fin, se entrenó a la red con 2 bases de datos. La primera base de datos está compuesta de 100 imágenes volumétricas de RM con segmentaciones manuales o ground-truth de AI y se utilizó para obtener un modelo de alto rendimiento para posterior aplicación de técnicas deep fine-tuning. La segunda base de datos está compuesta de 19 imágenes volumétricas de RM de alta variabilidad con segmentaciones anotadas de ambas cavidades auriculares y se utilizó para verificar la precisión de segmentación de la red para AI y AD a partir de pocas muestras anotadas. Además, la alta capacidad de generalización obtenida por el modelo formado con la segunda base de datos se v, [EN] Atrial Fibrillation (AF) is a supraventricular arrythmia characterised by a chaotic and disorganised electrical activity which leads to an irregular contraction. AF is the most common cardiac arrythmia and its prevalence increases with the ageing population. It is estimated that there are currently 4.5 million cases in Europe. Currently, cardiac ablation is the main treatment procedure for AF treatment. To guide and plan this procedure it is essential for clinicians to obtain 3D anatomical reconstruction models of the atria which are patient specific. In clinical practice the atria is manually delineated which is a labour-intensive method. The aim of this project is to develop automatic algorithms with employment of Deep Learning (DL) techniques for left and right atrium segmentation from MRI volumetric images. In this project neural networks have been used with encoder-decoder architecture to provide accurate pixel-wise segmentation of the atria from 3D MRI images. Whilst most studies in this area concentrate their efforts in left atrium (LA) segmentation the aim of this project was to obtain a segmentation model also capable of accurate right atrium (RA) segmentation from few annotated data. For this purpose, the network was trained with 2 databases. The first database consisted of 100 volumetric MRI images with LA ground-truth segmentations and was used to obtain a high-performance model for posterior deep fine-tuning techniques. The second database consisted of 19 volumetric MRI images of high variability with ground-truth segmentation of both atria cavities and was used to verify the segmentation accuracy of the network for LA and RA from few annotated samples. Furthermore, the high generalisation capacity obtained by the model trained with the second database was verified with an external database of only LA ground-truth. To compare the predicted segmentation with the labelled data a similarity coefficient was computed from them and was compared with the

[EN] A brain tumor is a pathological intracranial cell growth. It can destroy directly the normal cell population or damage indirectly by invading other parts and cause inflammation, cerebral edema and intracranial pressure. Brain metastases are cellular deposits originated in another organ and then emigrated to the brain. There are 165,000 new cases of cancer every year in Spain and of these, 30,000 suffer from brain metastases which cause morbidity and mortality. About 6,000 patients develop brain metastases under 30 mm and can benefit from image-guided radiosurgery [1]. The motivation of this Master's Thesis is that early detection of brain metastases increases survival, as image-guided radiosurgery is the most widely used treatment. In support of the radiological diagnosis Computer-Aided Diagnosis is employed to provide a quantitative methodology, high reproducibility and reliability. With this in mind, the aim of this Master's Thesis is to develop an algorithm that allows the detection of brain metastases from the analysis of magnetic resonance imaging, emphasizing the reduction of false positives. For image analysis and preprocessing it was employed MATLAB. In order to achieve the detection of brain metastases, synthetic three-dimensional tumor appearance templates were correlated with the imaging volume and a similarity threshold was applied. Subsequently, the detections were segmented and algorithms for calculating the degree of anisotropy were applied in order to remove elongated structures such as blood vessels. This Master's Thesis has been developed at the Centre for Biomaterials and Tissue Engineering at the Polytechnic University of Valencia, in close collaboration with the Department of Radiology of the Valencian Institute of Oncology Foundation (FIVO). The developed detection algorithm has been applied to 19 patients diagnosed with brain metastases (a total of 62 brain metastases) at the FIVO. After applying algorithms for false positives reduction, [ES] El tumor cerebral es un crecimiento celular patológico intracerebral. Puede destruir directamente la población celular normal o dañarla indirectamente por invadir otras partes y causar inflamación, edema cerebral y presión intracraneal. Las metástasis cerebrales son depósitos celulares originados en otro órgano y emigrados posteriormente al cerebro. En España aparecen cada año 165.000 nuevos casos de cáncer y de ellos, más de 30.000 (en torno al 18%) sufren metástasis cerebrales, causa significante de morbilidad y mortalidad. Unos 6.000 pacientes, la quinta parte, presentan metástasis encefálicas menores de 30 mm y pueden beneficiarse de la radiocirugía guiada por la imagen [1]. La motivación de este trabajo reside en que la detección temprana de las metástasis cerebrales incrementa la supervivencia, ya que el tratamiento más utilizado es la radiocirugía guiada por la imagen. Como apoyo al diagnóstico radiológico se emplea el Diagnóstico Asistido por Ordenador (Computer Assisted Diagnosis, CAD) que ofrece una metodología cuantitativa, gran reproducibilidad y fiabilidad. Con esta idea en mente, el objetivo de este Trabajo Fin de Máster es el desarrollo de un algoritmo que permita la detección de metástasis cerebrales a partir del análisis de imagen de resonancia magnética, enfatizando la reducción de falsos positivos. Para el procesado y análisis de las imágenes se ha utilizado la herramienta MATLAB. Con el fin de lograr la detección de metástasis cerebrales, se correlacionaron unas plantillas tridimensionales sintéticas de apariencia tumoral con el volumen de imágenes y se aplicó un umbral de similitud. Posteriormente, se segmentaron las detecciones y se aplicaron algoritmos para el cálculo del grado de anisotropía con el objetivo de eliminar estructuras elongadas como vasos sanguíneos. Este Trabajo Fin de Máster se ha desarrollado en el Centro de Biomateriales e Ingeniería Tisular de la Universitat Politècnica de València, en estrecha colaboración con el Servi

[EN] A brain tumor is a pathological intracranial cell growth. It can destroy directly the normal cell population or damage indirectly by invading other parts and cause inflammation, cerebral edema and intracranial pressure. Brain metastases are cellular deposits originated in another organ and then emigrated to the brain. There are 165,000 new cases of cancer every year in Spain and of these, 30,000 suffer from brain metastases which cause morbidity and mortality. About 6,000 patients develop brain metastases under 30 mm and can benefit from image-guided radiosurgery [1]. The motivation of this Master's Thesis is that early detection of brain metastases increases survival, as image-guided radiosurgery is the most widely used treatment. In support of the radiological diagnosis Computer-Aided Diagnosis is employed to provide a quantitative methodology, high reproducibility and reliability. With this in mind, the aim of this Master's Thesis is to develop an algorithm that allows the detection of brain metastases from the analysis of magnetic resonance imaging, emphasizing the reduction of false positives. For image analysis and preprocessing it was employed MATLAB. In order to achieve the detection of brain metastases, synthetic three-dimensional tumor appearance templates were correlated with the imaging volume and a similarity threshold was applied. Subsequently, the detections were segmented and algorithms for calculating the degree of anisotropy were applied in order to remove elongated structures such as blood vessels. This Master's Thesis has been developed at the Centre for Biomaterials and Tissue Engineering at the Polytechnic University of Valencia, in close collaboration with the Department of Radiology of the Valencian Institute of Oncology Foundation (FIVO). The developed detection algorithm has been applied to 19 patients diagnosed with brain metastases (a total of 62 brain metastases) at the FIVO. After applying algorithms for false positives reduction, [ES] El tumor cerebral es un crecimiento celular patológico intracerebral. Puede destruir directamente la población celular normal o dañarla indirectamente por invadir otras partes y causar inflamación, edema cerebral y presión intracraneal. Las metástasis cerebrales son depósitos celulares originados en otro órgano y emigrados posteriormente al cerebro. En España aparecen cada año 165.000 nuevos casos de cáncer y de ellos, más de 30.000 (en torno al 18%) sufren metástasis cerebrales, causa significante de morbilidad y mortalidad. Unos 6.000 pacientes, la quinta parte, presentan metástasis encefálicas menores de 30 mm y pueden beneficiarse de la radiocirugía guiada por la imagen [1]. La motivación de este trabajo reside en que la detección temprana de las metástasis cerebrales incrementa la supervivencia, ya que el tratamiento más utilizado es la radiocirugía guiada por la imagen. Como apoyo al diagnóstico radiológico se emplea el Diagnóstico Asistido por Ordenador (Computer Assisted Diagnosis, CAD) que ofrece una metodología cuantitativa, gran reproducibilidad y fiabilidad. Con esta idea en mente, el objetivo de este Trabajo Fin de Máster es el desarrollo de un algoritmo que permita la detección de metástasis cerebrales a partir del análisis de imagen de resonancia magnética, enfatizando la reducción de falsos positivos. Para el procesado y análisis de las imágenes se ha utilizado la herramienta MATLAB. Con el fin de lograr la detección de metástasis cerebrales, se correlacionaron unas plantillas tridimensionales sintéticas de apariencia tumoral con el volumen de imágenes y se aplicó un umbral de similitud. Posteriormente, se segmentaron las detecciones y se aplicaron algoritmos para el cálculo del grado de anisotropía con el objetivo de eliminar estructuras elongadas como vasos sanguíneos. Este Trabajo Fin de Máster se ha desarrollado en el Centro de Biomateriales e Ingeniería Tisular de la Universitat Politècnica de València, en estrecha colaboración con el Servi

[EN] A brain tumor is a pathological intracranial cell growth. It can destroy directly the normal cell population or damage indirectly by invading other parts and cause inflammation, cerebral edema and intracranial pressure. Brain metastases are cellular deposits originated in another organ and then emigrated to the brain. There are 165,000 new cases of cancer every year in Spain and of these, 30,000 suffer from brain metastases which cause morbidity and mortality. About 6,000 patients develop brain metastases under 30 mm and can benefit from image-guided radiosurgery [1]. The motivation of this Master's Thesis is that early detection of brain metastases increases survival, as image-guided radiosurgery is the most widely used treatment. In support of the radiological diagnosis Computer-Aided Diagnosis is employed to provide a quantitative methodology, high reproducibility and reliability. With this in mind, the aim of this Master's Thesis is to develop an algorithm that allows the detection of brain metastases from the analysis of magnetic resonance imaging, emphasizing the reduction of false positives. For image analysis and preprocessing it was employed MATLAB. In order to achieve the detection of brain metastases, synthetic three-dimensional tumor appearance templates were correlated with the imaging volume and a similarity threshold was applied. Subsequently, the detections were segmented and algorithms for calculating the degree of anisotropy were applied in order to remove elongated structures such as blood vessels. This Master's Thesis has been developed at the Centre for Biomaterials and Tissue Engineering at the Polytechnic University of Valencia, in close collaboration with the Department of Radiology of the Valencian Institute of Oncology Foundation (FIVO). The developed detection algorithm has been applied to 19 patients diagnosed with brain metastases (a total of 62 brain metastases) at the FIVO. After applying algorithms for false positives reduction, [ES] El tumor cerebral es un crecimiento celular patológico intracerebral. Puede destruir directamente la población celular normal o dañarla indirectamente por invadir otras partes y causar inflamación, edema cerebral y presión intracraneal. Las metástasis cerebrales son depósitos celulares originados en otro órgano y emigrados posteriormente al cerebro. En España aparecen cada año 165.000 nuevos casos de cáncer y de ellos, más de 30.000 (en torno al 18%) sufren metástasis cerebrales, causa significante de morbilidad y mortalidad. Unos 6.000 pacientes, la quinta parte, presentan metástasis encefálicas menores de 30 mm y pueden beneficiarse de la radiocirugía guiada por la imagen [1]. La motivación de este trabajo reside en que la detección temprana de las metástasis cerebrales incrementa la supervivencia, ya que el tratamiento más utilizado es la radiocirugía guiada por la imagen. Como apoyo al diagnóstico radiológico se emplea el Diagnóstico Asistido por Ordenador (Computer Assisted Diagnosis, CAD) que ofrece una metodología cuantitativa, gran reproducibilidad y fiabilidad. Con esta idea en mente, el objetivo de este Trabajo Fin de Máster es el desarrollo de un algoritmo que permita la detección de metástasis cerebrales a partir del análisis de imagen de resonancia magnética, enfatizando la reducción de falsos positivos. Para el procesado y análisis de las imágenes se ha utilizado la herramienta MATLAB. Con el fin de lograr la detección de metástasis cerebrales, se correlacionaron unas plantillas tridimensionales sintéticas de apariencia tumoral con el volumen de imágenes y se aplicó un umbral de similitud. Posteriormente, se segmentaron las detecciones y se aplicaron algoritmos para el cálculo del grado de anisotropía con el objetivo de eliminar estructuras elongadas como vasos sanguíneos. Este Trabajo Fin de Máster se ha desarrollado en el Centro de Biomateriales e Ingeniería Tisular de la Universitat Politècnica de València, en estrecha colaboración con el Servi