Aprèn - Adrià Casamitjana Díaz

Convolutional neural networks (CNN) are powerful tools for learning representations from im-ages. They are being used in a large range of applications, being the state-of-the art in manycomputer vision tasks. In this work, we study the brain tumor segmentation problem using CNNs and the publicly available BraTS dataset. One of the key factors for this task is which training scheme is used since it should deal with memory constraints and should alleviate the high-imbalance nature between healthy and lesion tissue in the brain. Thus, the purpose of this project is to propose a comparison between several training schemes and extensively analyze and evaluate them in terms of the dice score. We evaluate dense-training against patch-sampling, and particularly, fixed-rule against adaptive sampling scheme. Furthermore, variants and modifications of the existing training schemes have been proposed in order to enhance their performance. Finally, several loss functions for each training scheme have been analyzed.

Las redes neuronales convolucionales (CNN) son un instrumento potente para aprender representaciones de imágenes. Se utilizan en una amplia gama de aplicaciones, siendo el estado del arte en muchas tareas de visión por computador. En este trabajo, estudiamos el problema de segmentación de tumores cerebrales utilizando CNNs y la base de datos BraTS disponible públicamente. Uno de los factores clave para esta tarea es qué esquema de entrenamiento utilizar, ya que este debe abordar limitaciones de memoria y debe solventar el desequilibrio entre el tejido sano y el tejido con tumor cerebral. Por lo tanto, el propósito de este proyecto es proponer una comparación entre varios esquemas de entrenamiento y evaluarlos extensivamente en términos de la métrica Dice. Evaluamos el esquema de entrenamiento denso contra el muestreo por parche, y particularmente, el muestreo con una regla fija contra el esquema de muestreo adaptativo. Además, se proponen variantes y modificaciones de las estrategias de entrenamiento existentes para mejorar su funcionamiento. Finalmente, se analizan varias funciones de pérdida para cada esquema de entrenamiento.

Les xarxes neuronals convolucionals (CNN) són un instrument potent per aprendre representacions d'imatges. S'utilitzen en una àmplia gamma d'aplicacions, sent l'estat de l'art en moltes tasques de visió per computador. En aquest treball, estudiem el problema de segmentació de tumors cerebrals utilitzant CNNs i la base de dades BraTS disponible públicament. Un dels factors clau per a aquesta tasca és quin esquema d'entrenament utilitzar, ja que aquest ha d'abordar limitacions de memòria i ha de solucionar el desequilibri entre el teixit sa i el teixit amb tumor cerebral. Per tant, el propòsit d'aquest projecte és proposar una comparació entre diversos esquemes d'entrenament i avaluar-los extensivament en termes de la mètrica Dice. Avaluem l'esquema d'entrenament dens contra el mostreig per segment, i particularment, el mostreig amb una regla fixa contra l'esquema de mostreig adaptatiu. A més, es proposen variants i modificacions de les estratègies d'entrenament existents per millorar el seu funcionament. Finalment, s'analitzen diverses funcions de pèrdua per a cada esquema de mostreig.

Extracción de cráneo en imágenes de resonancia magnética del cerebro utilizando una red neuronal convolucional 3D

Treball Final de Grau

Rodriguez Castello, David

Tutor/a - Director/a: Vilaplana Besler, Verónica; Casamitjana Díaz, Adrià

Data de publicació: 2017

Escola Tècnica Superior d'Enginyeria de Telecomunicació de Barcelona (ETSETB)

Veure detall Accés al text complet

PROCESSAMENT DIGITAL D'IMATGE (Examen 1r quadrimestre, 1r parcial) Restricted access to the UPC academic community

Examen

Vilaplana Besler, Verónica; Casamitjana Díaz, Adrià

Data de publicació: 2016

Escola Superior d'Enginyeries Industrial, Aeroespacial i Audiovisual de Terrassa (ESEIAAT)

PROCESSAMENT DIGITAL D'IMATGE - 320114

Accés al text complet

Feature selection methods for predicting pre-clinical stage in Alzheirmer's Disease

Treball Final de Grau

Catá Villá, Marcel

Tutor/a - Director/a: Vilaplana Besler, Verónica; Casamitjana Díaz, Adrià

Data de publicació: 2014

Escola Tècnica Superior d'Enginyeria de Telecomunicació de Barcelona (ETSETB)

Veure detall Accés al text complet

Alzheimer's disease is still an incurable disease. Nevertheless, some of its biomarkers suffer changes in the early stages of the disease, long before clinical symptoms appear. In order to determine how biomarkers obtained from magnetic resonance (MRI) techniques affect the disease's evolution, machine learning techniques have been used to design and implement a classification system so as to predict the stages in which several patients belong. One of the main objectives of this project is reducing the number of data to manage, since MRI provide a large volume of data for each patient. As a result, we will focus on the stage of reduction and extraction of characteristics of the classifier which may be relevant for the mentioned problem. We will carry out an exhaustive analysis of different methods of selection of features to apply to biomedical data related to Alzheimer's disease. Results obtained will also be applicable to other fields. Finally, we will assess these methods with a multimodal data base provided by the collaboration agreement with Pasqual Maragall Foundation (FPM).

La enfermedad del Alzheimer es aún una enfermedad incurable. Sin embargo, algunos de sus biomarcadores sufren cambios durante las primeras etapas de la enfermedad, mucho antes de presentar síntomas clínicos. Para determinar cómo estos afectan a la evolución de la enfermedad los biomarcadores obtenidos a partir de técnicas de resonancia magnética (MRI), se han utilizado técnicas de machine learning para diseñar e implementar un sistema de clasificación con el fin de predecir las etapas en las que se encuentran distintos pacientes. Uno de los principales objetivos de este proyecto es reducir el número de datos a tratar, ya que las MRI proporcionan un gran volumen de datos de cada paciente. En consecuencia, nos centraremos en la etapa de reducción y extracción de características del clasificador que pueden ser relevantes para el problema mencionado. Realizaremos un análisis exhaustivo de distintos métodos de selección de características para aplicarlos a datos biomédicos relacionados con la enfermedad del Alzheimer. Los resultados obtenidos también podrán aplicarse en otros campos. Finalmente, evaluaremos los métodos con una base de datos multimodal proporcionada por el convenio de colaboración con la Fundació Pasqual Maragall (FPM).

La malaltia de l'Alzheimer és encara una malaltia incurable. Tanmateix, alguns dels seus biomarcadors es pateixen canvis durant les primeres etapes de la malaltia, molt abans de presentar símptomes clínics. Per a determinar com afecten a l'evolució de la malaltia els biomarcadors obtinguts a partir de tècniques de ressonància magnètica (MRI), s'han utilitzat tècniques de machine learning per a dissenyar i implementar un sistema de classificació per a predir les etapes en què es troben diversos pacients. Un dels principals objectius d'aquest projecte és reduir el nombre de dades a tractar, ja que les MRI proporcionen un gran volum de dades de cada pacient. En conseqüència, ens centrarem en l'etapa de reducció i extracció de característiques del classificador que poden ser rellevants per al problema esmentat. Realitzarem una anàlisi exhaustiva de diferents mètodes de selecció de característiques per a aplicar-los a dades biomèdiques relacionades amb la malaltia de l'Alzheimer. Els resultats obtinguts també podran aplicar-se en altres camps. Finalment, avaluarem els mètodes amb una base de dades multimodal proporcionada pel conveni de col·laboració amb la Fundació Pasqual Maragall (FPM).