Aprèn - Cristian Mata Miquel

Aquest projecte té com a objectiu analitzar els paràmetres cardíacs de 250 homes adults utilitzant el programari MR Strain, per identificar possibles malalties cardíaques associades a valors que es desvien significativament de la mitjana. Els paràmetres estudiats inclouen la deformació longitudinal, circumferencial i radial, els volums telediastòlic, telesistòlic i sistòlic, així com la fracció d'ejecció del ventricle esquerre i dret. Els resultats mostren que desviacions en aquests paràmetres poden indicar la presència de diverses condicions cardíaques, com ara la insuficiència cardíaca, la cardiomiopatia dilatada, la hipertrofia ventricular i les valvulopaties. Els mètodes utilitzats inclouen l'adquisició i anàlisi de dades amb imatges obtingudes d'una ressonància magnètica, amb especial atenció als valors mitjans i desviacions estàndard per establir les relacions amb les patologies esmentades. Les conclusions revelen que les desviacions en la deformació longitudinal poden indicar insuficiència cardíaca, mentre que les alteracions en els volums telediastòlics i telesistòlics són indicatives de cardiomiopatia, estenosi valvular i altres disfuncions. Així mateix, una fracció d'ejecció per sota de la mitjana pot estar associada amb insuficiència cardíaca i hipertensió pulmonar. Aquest estudi proporciona una eina valuosa per al diagnòstic precoç i la gestió efectiva de les malalties cardíaques, destacant la importància del monitoratge dels paràmetres cardíacs mitjançant tecnologies avançades com MR Strain, contribuint així a millorar la qualitat de vida dels pacients i destacant la importància de la enginyeria biomèdica per tal de cooperar en la lluita de la salut de la societat.

Este proyecto tiene como objetivo analizar los parámetros cardíacos de 250 hombres adultos utilizando el software MR Strain, para identificar posibles enfermedades cardíacas asociadas a valores que se desvíen significativamente de la media. Los parámetros estudiados incluyen la deformación longitudinal, circunferencial y radial, los volúmenes telediastólico, telesistólico y sistólico, así como la fracción de eyección del ventrículo izquierdo y derecho. Los resultados muestran que desviaciones en estos parámetros pueden indicar la presencia de diversas condiciones cardíacas, como la insuficiencia cardíaca, la cardiomiopatía dilatada, la hipertrofia ventricular y las valvulopatías. Los métodos utilizados incluyen la adquisición y análisis de datos con imágenes obtenidas de una resonancia magnética, con especial atención a los valores medios y desviaciones estándar para establecer las relaciones con las patologías mencionadas. Las conclusiones revelan que las desviaciones en la deformación longitudinal pueden indicar insuficiencia cardíaca, mientras que las alteraciones en los volúmenes telediastólicos y telesistólicos son indicativas de cardiomiopatía, estenosis valvular y otras disfunciones. Asimismo, una fracción de eyección por debajo de la media puede estar asociada con insuficiencia cardíaca e hipertensión pulmonar. Este estudio proporciona una herramienta valiosa para el diagnóstico precoz y la gestión efectiva de las enfermedades cardíacas, destacando la importancia del monitoreo de los parámetros cardíacos mediante tecnologías avanzadas como MR Strain, contribuyendo así a mejorar la calidad de vida de los pacientes y resaltando la importancia de la ingeniería biomédica para cooperar en la lucha por la salud de la sociedad.

This project aims to analyze the cardiac parameters of 250 adult men using MR Strain software to identify possible heart diseases associated with values that divert significantly from the mean. The parameters studied include longitudinal, circumferential, and radial deformation, as well as telediastolic, telesystolic, and systolic volumes, along with the ejection fraction of the left and right ventricles. The results show that deviations in these parameters can indicate the presence of various cardiac conditions such as heart failure, dilated cardiomyopathy, ventricular hypertrophy, and valve diseases. The methods used include data acquisition and analysis with images obtained from magnetic resonance imaging, with particular attention to mean values and standard deviations to establish relationships with the mentioned pathologies. The findings reveal that deviations in longitudinal deformation can indicate heart failure, while alterations in telediastolic and telesystolic volumes are indicative of cardiomyopathy, valve stenosis, and other dysfunctions. Additionally, an ejection fraction below the mean may be associated with heart failure and pulmonary hypertension. This study provides a valuable tool for early diagnosis and effective management of heart diseases, highlighting the importance of monitoring cardiac parameters using advanced technologies like MR Strain, thereby contributing to improving patients' quality of life and emphasizing the significance of biomedical engineering in the societal health endeavor.

Automatització de l'Escala Loes per RM cerebral en Adrenomieloneuropatia

Bachelor thesis

González Montesinos, Mar

Tutor / Supervisor: Mata Miquel, Cristian

Publication date: 2024

Barcelona East School of Engineering (EEBE)

Access to the full text

Optimization of radiological diagnosis: development of a Machine Learning algorithm for quality control in chest X-ray images

Bachelor thesis

Borrego Escobar, Lucia

Tutor / Supervisor: Mata Miquel, Cristian; Munuera Del Cerro, Josep

Publication date: 2024

Barcelona East School of Engineering (EEBE)

Access to the full text

A pioneering approach through artificial intelligence techniques in the clinical setting of vasospasm secondary to subarachnoid hemorrhage

Bachelor thesis

Carrasco Alegre, Mariona

Tutor / Supervisor: Mata Miquel, Cristian

Publication date: 2024

Barcelona East School of Engineering (EEBE)

Access to the full text

Procesado de la señal de pupilometría y electroencefalografía para el análisi de la correlación entre las variables neurológicas y psicosociales del feedback social durante el aprendizaje de la L2

Bachelor thesis

Mateu Pons, Maria Antònia

Tutor / Supervisor: Mata Miquel, Cristian

Publication date: 2024

Barcelona East School of Engineering (EEBE)

View detail Access to the full text

L'aprenentatge d'una segona llengua (L2) és un procés complex i influït per una varietat de factors, incloent-hi el feedback social. En aquesta tesi, s'investiga la correlació entre variables neurològiques i psicosocials del feedback social durant l'aprenentatge de L2 utilitzant tècniques de processament del senyal de pupilometria i electroencefalografia (EEG). L'objectiu general és comprendre com el cervell respon davant de diferents tipus de feedback social durant l'aprenentatge de L2, estudiant els components neuronals associats a l'anticipació i processament del feedback, com SPN, FRN i P300, mitjançant l'anàlisi de potencials relacionats amb esdeveniments ( ERP) obtinguts a través d'EEG. Gràcies a l'ús de diferents toolboxs d'anàlisi de senyal, s'han preprocessat els senyals de pupilometria i EEG, per explorar-ne la correlació per detectar variacions en l'interès dels participants. Els resultats obtinguts en totes dues anàlisis proporcionen insights sobre la relació entre l'activitat cerebral i les respostes pupil·lars associades a l'interès, discutint la rellevància d'aquestes correlacions en el context de l'interès generat pel component social del feedback, a l'aprenentatge de la L2 durant la tasca, així com les seves implicacions per a investigacions futures en el camp de l'aprenentatge lingüístic en el context de la neurociència. Finalment, i amb l'objectiu de millorar estratègies educatives i terapèutiques, també s'han analitzat la relació entre la motivació generada pel feedback social i l'aprenentatge de L2. En definitiva, aquest estudi proporciona una comprensió més profunda dels processos neurocognitius implicats en l'aprenentatge de L2 i desenvolupa habilitats pràctiques en el processament i l'anàlisi de dades fisiològiques. Les troballes tenen implicacions educatives i terapèutiques importants, contribuint al disseny d'intervencions més efectives i personalitzades en l'aprenentatge de segones llengües i la rehabilitació del llenguatge.

El aprendizaje de una segunda lengua (L2) es un proceso complejo e influenciado por una variedad de factores, incluyendo el feedback social. En esta tesis, se investiga la correlación entre variables neurológicas y psicosociales del feedback social durante el aprendizaje de L2, utilizando técnicas de procesamiento de la señal de pupilometría y electroencefalografía (EEG). El objetivo general es comprender cómo el cerebro responde ante diferentes tipos de feedback social durante el aprendizaje de L2, estudiando los componentes neuronales asociados a la anticipación y procesamiento del feedback, como SPN, FRN y P300, mediante el análisis de potenciales relacionados con eventos (ERP) obtenidos a través de EEG. Gracias al uso de distintos toolboxs de análisis de señal, se han preprocesado las señales de pupilometría y EEG, para explorar su correlación con el fin de detectar variaciones en el interés de los participantes. Los resultados obtenidos en ambos análisis proporcionan insights sobre la relación entre la actividad cerebral y las respuestas pupilares asociadas al interés, discutiendo la relevancia de estas correlaciones en el contexto del interés generado por la componente social del feedback, en el aprendizaje de la L2 durante la tarea, así como sus implicaciones para futuras investigaciones en el campo del aprendizaje lingüístico en el contexto de la neurociencia. Por último, y con el objetivo de mejorar estrategias educativas y terapéuticas, se han analizado también la relación entre la motivación generada por el feedback social y el aprendizaje de L2. Este estudio proporciona una comprensión más profunda de los procesos neurocognitivos implicados en el aprendizaje de L2 y desarrolla habilidades prácticas en el procesamiento y análisis de datos fisiológicos. Los hallazgos tienen implicaciones educativas y terapéuticas, contribuyendo al diseño de intervenciones más efectivas y personalizadas en el aprendizaje de segundas lenguas y rehabilitación del lenguaje.

Second language (L2) learning is a complex process influenced by a variety of factors, including social feedback. In this thesis, the correlation between neurological and psychosocial variables of social feedback during L2 learning is investigated using pupillometry and electroencephalography (EEG) signal processing techniques. The overall aim is to understand how the brain responds to different types of social feedback during L2 learning by studying the neural components associated with feedback anticipation and processing, such as SPN, FRN and P300, through the analysis of EEG-derived event-related potentials (ERPs). Using different signal analysis toolboxes, pupillometry and EEG signals have been preprocessed to explore their correlation in order to detect variations in participants' interest. The results obtained in both analyses provide insights into the relationship between brain activity and pupillary responses associated with interest, discussing the relevance of these correlations in the context of interest generated by the social component of feedback in L2 learning during the task, as well as their implications for future research in the field of language learning in the context of neuroscience. Finally, and with the aim of improving educational and therapeutic strategies, the relationship between the motivation generated by social feedback and L2 learning has also been analysed. In short, this study provides a deeper understanding of the neurocognitive processes involved in L2 learning and develops practical skills in the processing and analysis of physiological data. The findings have important educational and therapeutic implications, contributing to the design of more effective and personalised interventions in second language learning and language rehabilitation.

Time series analysis for the description of obesity in mice model

Bachelor thesis

Puértolas Martínez, Sonia

Tutor / Supervisor: Mata Miquel, Cristian; Palmieri, Flavio

Publication date: 2024

Barcelona East School of Engineering (EEBE)

View detail Access to the full text

En les últimes dècades, l'obesitat s'ha convertit en la malaltia crònica més comuna i la segona causa de mort més evitable als països desenvolupats. Caracteritzada per un excés de greix i un IMC ≥ 30 kg/m², augmenta el risc de patir altres problemes de salut com malalties cròniques, problemes musculoesquelètics, trastorns mentals i reducció de l'esperança de vida, degut a factors genètics i ambientals. A més, l'obesitat té un impacte en la societat actual amb un augment dels costos sanitaris anuals i l'aparició de desigualtats i estigmes en salut, necessitant major recerca. La recerca sobre l'obesitat ha utilitzat diverses estratègies, sent l'obesitat induïda per HFD la més emprada. Els models d'obesitat induïda per HFD utilitzen models animals, com ratolins, amb dietes altes en greixos, similars als humans en regulació hormonal i metabolisme, i desenvolupant comorbiditats com la T2D. Aquests models ofereixen una ràpida inducció de l'obesitat i un baix cost econòmic. Aquest projecte introdueix un model experimental d'obesitat induïda per HFD per a futures recerques, avaluant la correlació entre pes corporal i ingesta calòrica, i la influència de l'estacionalitat en el desenvolupament de la malaltia en ratolins. A més, presenta una solució de codificació per a l'anàlisi estadístic i gràfic de dades experimentals, per a la seva futura adaptació en nous models.

En las últimas décadas, la obesidad se ha convertido en la enfermedad crónica más común y la segunda causa de muerte más evitable en los países desarrollados. Con un IMC ≥ 30 kg/m², aumenta exponencialmente el riesgo de padecer otras enfermedades crónicas, problemas musculoesqueléticos, trastornos mentales y reducción de la esperanza de vida, debido a factores genéticos y ambientales. Además, la obesidad impacta en la sociedad por sus altos índices de prevalencia, incrementando los costes sanitarios anuales y generando desigualdades y estigmas en salud, lo que subraya la necesidad de más investigación. La investigación sobre obesidad utiliza varias estrategias, siendo la obesidad inducida por HFD la más común. Este método emplea modelos animales, como ratones, con dietas altas en grasas, que muestran similitudes con los humanos en regulación hormonal, vías metabólicas y metabolismo energético, además de desarrollar comorbilidades como la T2D. Estos modelos permiten una rápida inducción de la obesidad y son económicos. Este proyecto introduce un modelo experimental de obesidad inducida por HFD para futuras investigaciones, evaluando la correlación entre peso corporal e ingesta calórica, y la influencia de la estacionalidad en el desarrollo de la enfermedad en ratones. Además, presenta una solución de codificación para el análisis estadístico y gráfico de datos experimentales, adaptable a futuros modelos.

Over the last few decades, obesity has become the most common chronic disease and the second most preventable cause of death in developed countries. Characterized by an accumulation of excess fat and a BMI ≥ 30 kg/m², obesity significantly increases the risk of other health issues, including chronic diseases, musculoskeletal problems, mental disorders, and reduced life expectancy, due to genetic and environmental factors. The societal impact includes higher healthcare costs, health inequalities, and stigma, underscoring the need for further research. Obesity research often uses high-fat diet (HFD)-induced obesity models, particularly in mice, due to their similarities with humans in hormonal regulation, metabolic pathways, and the development of co-morbidities like type 2 diabetes. These models are advantageous for their rapid induction of obesity and low cost, combining genetic and dietary influences. This project introduces an experimental model of HFD-induced obesity to further investigate obesity, focusing on the correlation between body weight and caloric intake, as well as the impact of seasonality on obesity development in mice. Additionally, it includes the development of a coding solution for comprehensive statistical and graphical analysis of numerical experimental data, adaptable for future research models.

Validation of fat quantification algorithms in the pediatric population using Magnetic Resonance Imaging

Bachelor thesis

Pérez Díaz, Violeta

Tutor / Supervisor: Mata Miquel, Cristian; Bernaus Tomé, Sandra

Publication date: 2024

Barcelona East School of Engineering (EEBE)

Access to the full text

Study of anonymization techniques applied to medical imaging

Bachelor thesis

Carazo Colomer, Bernabé

Tutor / Supervisor: Mata Miquel, Cristian

Publication date: 2024

Barcelona East School of Engineering (EEBE)

View detail Access to the full text

L'estàndard DICOM va ser creat amb l'objectiu de garantir la uniformitat i la capacitat de comunicació entre diferents establiments mèdics. Aquest estàndard estableix un conjunt de característiques que acompanyen totes les imatges mèdiques per igual, a més d'afegir un cert nivell de seguretat a aquestes imatges. A més, també conté, més enllà de la pròpia imatge corresponent a la prova mèdica en qüestió, un conjunt d'informació tant sobre el pacient, el centre on s'ha realitzat la prova mèdica o el metge que l'ha realitzat, entre d'altres. En el moment de dur a terme estudis i/o investigació, tots aquests camps d'informació confidencial han de ser eliminats o substituïts per altres que no exposin al pacient. Així doncs, aquest projecte pretén crear una eina capaç de separar totes aquestes dades dels fitxers originals en múltiples imatges alhora, i així facilitar la tasca de preparació de les imatges per a estudis i/o recerca.

El estándar DICOM fue creado con el objetivo de garantizar la uniformidad y la capacidad de comunicación entre diferentes establecimientos médicos. Dicho estándar establece un conjunto de características que acompañan a todas las imágenes médicas por igual, además de añadir cierto nivel de seguridad a dichas imágenes. Este estandarte contiene, más allá de la propia imagen correspondiente a una prueba médica concreta, un conjunto de información sobre el paciente, el centro dónde se ha realizado la prueba médica o el médico que la ha realizado, entre muchos otros campos de información privada. En el momento de utilizar imágenes de dichas pruebas con el objetivo de realizar ciertos estudios y/o investigación, todos estos campos de información confidencial deben ser eliminados o sustituidos por otros que no expongan al paciente. Así pues, este proyecto pretende crear una herramienta capaz de separar todos estos datos de los archivos originales en múltiples imágenes a la vez, para facilitar la tarea de preparación del material para los estudios y/o la investigación.

The DICOM standard was created with the aim of ensuring uniformity and communication between different medical establishments. This standard established a set of features that accompany all medical images equally, in addition to contributing with certain level of security to these images. Beyond the medical image itself, the files of this standard contain a set of information about the patient, the medical center where the test was performed, or the doctor who conducted it, among many other fields of private information. When these files are used for the purpose of conducting studies and/or research, all these confidential information fields must be removed or replaced with new data that does not expose the patient. Therefore, this project aims to create a tool capable of separating this data from the original files (for multiple files at the same time), with the objective of facilitating the preparation of the images for studies and/or research.

Feature extraction and radiomics in naso sinusal cancer

Bachelor thesis

Costa Allué, Natalia Pilar

Tutor / Supervisor: Munuera Del Cerro, Josep; Mata Miquel, Cristian

Publication date: 2024

Barcelona East School of Engineering (EEBE)

View detail Access to the full text

El projecte se centra en abordar la complexitat de la segmentació i l'extracció de característiques del papil·loma invertit i la mucosa en imatges de tomografia computada (TC), en les quals la superposició de densitats entre totes dues lesions pot ocasionalment dificultar la seva clara diferenciació. Es proposa utilitzar diferents tipus d'imatges, com la ressonància magnètica (RM), dades de biòpsies i l'historial clínic del pacient, juntament amb l'experiència d'un neuroradiòleg per a aconseguir una segmentació precisa d'aquestes lesions. La combinació d'aquestes fonts d'informació pretén proporcionar un sòlid conjunt de dades radiòmiques per a distingir i classificar les ambdues lesions. L'objectiu final de l'estudi d'extracció de característiques és obtenir valors clau de diferents paràmetres significatius per a diferenciar eficaçment el papil·loma invertit i la mucosa en imatges de TC, proporcionant així una eina valuosa en el diagnòstic i tractament d'aquestes afeccions mèdiques.

El proyecto se centra en abordar la complejidad de la segmentación y la extracción de características del papiloma invertido y la mucosa en imágenes de tomografía computarizada (TC), en las que la superposición de densidades entre ambas lesiones puede ocasionalmente dificultar su clara diferenciación. Se propone utilizar distintos tipos de imágenes, como la resonancia magnética (RM), datos de biopsias y el historial clínico del paciente, junto con la experiencia de un neuroradiólogo para lograr una segmentación precisa de estas lesiones. La combinación de estas fuentes de información pretende proporcionar un sólido conjunto de datos radiómicos para distinguir y clasificar las lesiones. El objetivo final del estudio de extracción de características radiómicas es obtener valores clave de diferentes parámetros significativos para diferenciar eficazmente el papiloma invertido y la mucosa en imágenes de TC, proporcionando así una herramienta valiosa en el diagnóstico y tratamiento de estas afecciones médicas.

The project focuses on addressing the complexity of segmentation and feature extraction of inverted papilloma and mucosa on computed tomography (CT) images, where overlapping densities between the two lesions can occasionally make it difficult to clearly differentiate them. It is proposed to use different types of images, such as magnetic resonance imaging (MRI), biopsy data and the patient's clinical history, together with the expertise of a neuroradiologist to achieve an accurate segmentation of these lesions. The combination of these sources of information is intended to provide a robust radiomic data set to distinguish and classify lesions. The ultimate goal of the radiomic feature extraction study is to obtain key values of different significant parameters to effectively differentiate inverted papilloma and mucosa on CT images, thus providing a valuable tool in the diagnosis and treatment of these medical conditions.

Artificial intelligence approaches for image segmentation and classification in medical imaging analysis

Bachelor thesis

Muñoz García, Noelia

Tutor / Supervisor: Mata Miquel, Cristian; Benítez Iglesias, Raúl

Publication date: 2024

Barcelona East School of Engineering (EEBE)

View detail Access to the full text

Tot i que el càncer ossi pediàtric és relativament poc freqüent, va ser la tercera causa de mort infantil el 2020. En aquest context, destaquen dues formes prevalents: l'osteosarcoma i el sarcoma d'Ewing, afectant els teixits ossis dels infants. La seva importància es manifesta en la determinació del pronòstic i l'eficàcia del seu tractament, que depenen de factors clau com el tipus de càncer, la ubicació del tumor i l'edat del pacient. És, per tant, essencial comprendre la necessitat d'un diagnòstic precoç. Dins d'aquest marc, és fonamental subratllar la importància de les tècniques d'imatge, amb un èmfasi especial en el paper de la ressonància magnètica (RM). No obstant això, les imatges d'aquests càncers poden generar confusió amb les de tumors benignes, ja que presenten certa similitud. Per abordar aquesta problemàtica, l'objectiu del projecte és realitzar una revisió literària dels algoritmes de segmentació i classificació de tumors ossis pediàtrics desenvolupats recentment. Aquesta revisió busca implementar un dels algoritmes com a eina d'ajuda per l'equip de diagnòstic d'imatge de l'Hospital Sant Joan de Déu. Malgrat l'escassetat d'algoritmes específics per a tumors ossis, s'han implementat dues solucions alternatives: una per a la segmentació de pòlips en imatges de colonoscòpia i una altra per a la classificació de lesions cutànies. Amb una precisió del 93,19% i 91,96%, respectivament, aquests algoritmes, inicialment concebuts per altres àrees, poden ser adaptats i aplicats posteriorment al càncer d'ossos simplement canviant la base de dades utilitzada.

Aunque el cáncer óseo pediátrico es relativamente poco frecuente, fue la tercera causa de muerte infantil en 2020. En este contexto, destacan dos formas prevalentes: el osteosarcoma y el sarcoma de Ewing, afectando los tejidos óseos de los niños. Su importancia se manifiesta en la determinación del pronóstico y la eficacia de su tratamiento, que dependen de factores clave como el tipo de cáncer, la ubicación del tumor y la edad del paciente. Es, por tanto, esencial comprender la necesidad de un diagnóstico precoz. Dentro de este marco, es fundamental subrayar la importancia de las técnicas de imagen, con un énfasis especial en el papel de la resonancia magnética (RM). Sin embargo, las imágenes de estos cánceres pueden generar confusión con las de tumores benignos, ya que presentan cierta similitud. Para abordar esta problemática, el objetivo del proyecto es realizar una revisión literaria de los algoritmos de segmentación y clasificación de tumores óseos pediátricos desarrollados recientemente. Esta revisión busca implementar uno de los algoritmos como una herramienta de ayuda para el equipo de diagnóstico por imagen del Hospital Sant Joan de Déu. A pesar de la escasez de algoritmos específicos para tumores óseos, se han implementado dos soluciones alternativas: una para la segmentación de pólipos en imágenes de colonoscopia y otra para la clasificación de lesiones cutáneas. Con una precisión del 93,19% y 91,96%, respectivamente, estos algoritmos, inicialmente concebidos para otras áreas, pueden adaptarse y aplicarse posteriormente al cáncer de huesos simplemente cambiando la base de datos utilizada.

Although pediatric bone cancer is relatively rare, it was the third leading cause of child mortality in 2020. In this context, two prevalent forms stand out: osteosarcoma and Ewing's sarcoma, which affect the bone tissues of children. Their importance is evident in determining the prognosis and effectiveness of treatment, depending on key factors such as cancer type, tumor location, and the patient's age. Therefore, understanding the need for an early diagnosis is essential. Within this framework, it is crucial to emphasize the significance of imaging techniques, with a special focus on the role of magnetic resonance imaging (MRI). However, images of these cancers may be confused with those of benign tumors due to certain similarities. To address this issue, the project aims to conduct a literature review of recently developed algorithms for segmentation and classification of pediatric bone tumors. This review seeks to implement one of these algorithms as a tool to assist the imaging diagnosis team at the Hospital Sant Joan de Déu. Despite the scarcity of specific algorithms for bone tumors, two alternative solutions have been implemented: one for the segmentation of polyps in colonoscopy images and another for the classification of skin lesions. With an accuracy of 93.19% and 91.96%, respectively, these algorithms, initially designed for other areas, can be adapted and applied to bone cancer by simply changing the used database.

Anàlisi del procés de gravació de comandes a Schneider Electric

Bachelor thesis

Triay España, Joan Josep

Tutor / Supervisor: Mata Miquel, Cristian; Sanz Ramos, Sergio

Publication date: 2024

Barcelona East School of Engineering (EEBE)

View detail Access to the full text

Des de sempre, la gestió de la informació ha estat un factor clau per a la presa de decisions encertades, ja sigui a nivell individual o, en el nostre cas, a Schneider. Actualment, més que mai, les empreses gestionen un gran flux de dades el qual pot ser beneficiós si es disposen de les eines necessàries per processar-lo i, si alhora de prendre iniciatives, s'enfoquen adequadament. Al llarg de la història, les persones s'han basat en la intuïció per orientar-se, però seria un error fer-ho quan es disposen de les eines apropiades per millorar-ne el resultats. Diversos estudis demostren que les organitzacions que utilitzen les dades apropiadament, experimenten millores significatives en la presa de decisions de forma tres cops més probable que les que no ho fan. En relació amb el treball, l'objectiu d'aquest és la combinació de diferents taules de SAP per tal de dur a terme el seguiment de comandes que entren als sistemes de Schneider i poder mesurar la càrrega de treball de l'equip que en gestiona el procés. Cal destacar que aquest projecte s'ha realitzat en col·laboració amb Sergio Sanz i diferents membres del departament que m'han orientat en el procés d'entendre la informació tractada, la seva extracció y la seva exposició per tal de fer-la més comprensible de cara a l'usuari final. En concret, s'ha fet servir l'Alteryx (un programa de tractament de dades) per correlacionar les diferents taules i obtenir la informació condensada en un únic fitxer per, posteriorment, dur a terme la creació de diferents “dashboards” a Tableau, el qual és un software on es mostra la informació final acuradament en forma de gràfiques i taules. Finalment, es publicaran els resultats en el servidor de l'empresa per tal de que les persones interessades puguin consultar les dades i realitzar-ne el seguiment conseqüent de forma que serveixi per a prendre accions en consonància.

A lo largo de la historia, la gestión de la información siempre ha sido un factor clave para tomar decisiones informadas, ya sea a nivel individual o, en nuestro caso, en Schneider. En la actualidad, más que nunca, las empresas manejan un gran flujo de datos, lo cual puede ser beneficioso si cuentan con las herramientas necesarias para procesarlo y si, al tomar iniciativas, se enfocan adecuadamente. A lo largo del tiempo, las personas han confiado en la intuición como guía, pero sería un error hacerlo cuando se disponen de las herramientas apropiadas para mejorar los resultados. Diversos estudios demuestran que las organizaciones que utilizan los datos de manera apropiada experimentan mejoras significativas en la toma de decisiones, tres veces más probable que las que no lo hacen. En relación con el trabajo, el objetivo de este proyecto es la combinación de diferentes tablas de SAP para llevar a cabo el seguimiento de pedidos que ingresan a los sistemas de Schneider y medir la carga de trabajo del equipo que gestiona el proceso. Cabe destacar que este proyecto se ha llevado a cabo en colaboración con Sergio Sanz y varios miembros del departamento que me han orientado en el proceso de entender la información tratada, su extracción y su presentación para hacerla más comprensible para el usuario final. Específicamente, se ha utilizado Alteryx (un programa de procesamiento de datos) para correlacionar las diferentes tablas y obtener la información condensada en un único archivo, y posteriormente, llevar a cabo la creación de diferentes dashboards en Tableau, que es un software donde se muestra la información final de manera precisa en forma de gráficos y tablas. Finalmente, los resultados se publicarán en el servidor de la empresa para que las personas interesadas puedan consultar los datos y realizar el seguimiento para tomar acciones en consecuencia.

Throughout history, information management has always been a key factor for making informed decisions, whether at an individual level or, in our case, at Schneider. Nowadays, more than ever, companies handle a large flow of data, which can be beneficial if they have the necessary tools to process it and if, when taking initiatives, they focus appropriately. Over time, people have relied on intuition for guidance, but it would be a mistake to do so when the appropriate tools are available to improve results. Various studies show that organizations that use data appropriately experience significant improvements in decision-making, three times more likely than those that do not. Regarding work, the objective of this is the combination of different SAP tables to carry out the tracking of orders entering the Schneider systems and to measure the workload of the team managing the process. It is worth noting that this project has been carried out in collaboration with Sergio Sanz and various members of the department who have guided me in the process of understanding the treated information, its extraction, and its presentation to make it more understandable for the end user. Specifically, Alteryx (a data processing program) has been used to correlate the different tables and obtain the condensed information in a single file, and subsequently, to create different dashboards in Tableau, which is software where the final information is accurately displayed in the form of charts and tables. Finally, the results will be published on the company's server so that interested parties can consult the data and carry out the subsequent tracking to take actions accordingly

Brain morphometry associated with protective and risk factors of mental and neurological health: an artificial intelligence approach

Bachelor thesis

Arandia Martínez, Paula

Tutor / Supervisor: Mata Miquel, Cristian; Benítez Iglesias, Raúl

Publication date: 2023

Barcelona East School of Engineering (EEBE)

View detail Access to the full text

Aquest projecte té com a objectiu minimitzar la bretxa de coneixement entre metges i científics de dades mitjançant l'ús d'intel·ligència artificial per a l'anàlisi de dades clíniques. La plataforma SAVIA (Anàlisi Semi-Automàtic d'Importància de Variables) intenta dotar el personal clínic d'eines per interactuar amb models d'aprenentatge automàtic sense necessitat de coneixements prèvis. Aquesta integració d'intel·ligència artificial i recerca clínica està transformant la recerca tradicional i és considerada el futur de l'atenció mèdica. La plataforma SAVIA proporciona una interfície interactiva per analitzar factors de risc i protectors de la salut cerebral, prioritzant la facilitat d'ús i la transparència en els fluxos de processament de dades. Desenvolupada en Python i Jupyter Notebooks, permet al personal clínic explorar fàcilment diversos models predictius. Inicialment concebuda per al Projecte UKBiobank, una extensa base de dades de més de 400.000 subjectes sans i malalts, la plataforma s'ha ampliat amb la inclusió de variables de morfometria cerebral provinents d'una col·laboració amb l'Hospital Sant Joan de Déu (Barcelona), millorant la profunditat i complexitat dels models psicopatològicament rellevants que SAVIA pot produir. Aquest enfocament és un pas important cap a l'aprofitament complet del potencial del UKBiobank.

Este proyecto busca minimizar la brecha de conocimiento entre médicos y científicos de datos mediante el uso de inteligencia artificial para el análisis de datos clínicos. La plataforma SAVIA (Análisis Semi-Automático de Importancia de Variables) intenta dotar al personal clínico de herramientas para interaccionar con modelos de aprendizaje automático sin necesidad de conocimientos previos. Esta integración de inteligencia artificial e investigación clínica está transformando la investigación tradicional y se considera el futuro de la atención médica. La plataforma SAVIA proporciona una interfaz interactiva para analizar factores de riesgo y protectores de salud cerebral, priorizando la facilidad de uso y la transparencia en los flujos de procesado de datos. Desarrollada en Python y Jupyter Notebooks, permitire al personal clínico la fácil exploración de diversos modelos predictivos. Originalmente concebida para el Proyecto UKBiobank, una extensa base de datos de más de 400.000 sujetos tanto sanos como enfermos, la plataforma se ha expandido con la inclusión de variables de morfometría cerebral surgidas de una colaboración con el Hospital Sant Joan de Déu (Barcelona), mejorando la profundidad y complejidad de los modelos psicopatológicamente relevantes que SAVIA puede producir. Este enfoque es un paso importante hacia el pleno aprovechamiento del potencial del UKBiobank.

This project aims to provide a tool to bridge the knowledge gap between clinicians and data scientists in leveraging machine learning for clinical data analysis. A first version of the SAVIA (Semi-Automatic Variable Importance Analysis) platform has been developed to empower clinicians to interact with machine learning models without the need for a background in data science. This integration of artificial intelligence and clinical research is seen as pivotal for the future of healthcare, transforming how medical research is practiced. The SAVIA platform provides an interactive interface for analyzing risk and protective factors of brain health, prioritizing ease of use and transparent data processing workflows. Developed using Python and Jupyter Notebooks, it allows clinicians to explore various predictive models effortlessly. Originally conceived for the UKBiobank Project, a vast dataset of over 400.000 healthy and diseased subjects, the platform has expanded to include brain morphometry variables from a collaborative effort with the Sant Joan de Déu Hospital (Barcelona), enhancing the depth and complexity of the psychopathologically relevant models that the platform can produce. The obtained results are seen as a significant step towards harnessing the UKBiobank database's full potential.

Detecció de pòlips en imatges de colon utilitzant deep learning

Bachelor thesis

Bassols Noguer, Arnau

Tutor / Supervisor: Mata Miquel, Cristian

Publication date: 2023

Barcelona East School of Engineering (EEBE)

View detail Access to the full text

De ben segur que tots, alguna vegada, hem sentit a parlar del que s'anomena Intel·ligència Artificial (IA). Aquesta temàtica, de nom misteriós i protagonista en la majoria de converses i tertúlies d'avui dia, és altament extensa. Aquest projecte es centra en una part de l'Intel·ligència Artificial anomenada deep learning, que literalment es tradueix a aprenentatge profund. Aquesta branca de la IA molt present en el nostre dia a dia, va començar sent una revolució en el camp del processament i identificació d'imatges. L'objectiu del treball és tornar als seus inicis. S'intentarà comprendre cadascun dels conceptes clau pel seu desenvolupament, i es comprovarà el comportament en l'àmbit de classificació i detecció d'imatges mèdiques. Concretament es treballarà amb imatges endoscòpiques de còlon, on la presència i la no presència de pòlips serà el factor determinant. Es compararan totes les xarxes neuronals convolucionals que ofereix Matlab per a veure quina aporta millors resultats. També, es comprovaran diferents mètodes de localització de pòlips en imatges. Finalment, es valoraran els resultats per a veure si s'ha pogut aconseguir un programa d'identificació de pòlips en imatges endoscòpiques més fiable que un humà.

Seguro que todos, alguna vez, hemos oído hablar de lo que se llama Inteligencia Artificial (IA). Esta temática, de nombre misterioso y protagonista en la mayoría de conversaciones y tertulias, es altamente extensa. Este proyecto se centra en una parte de la Inteligencia Artificial llamada deep learning, que literalmente se traduce en aprendizaje profundo. Esta rama de la IA, muy presente en nuestro día a día, comenzó siendo una revolución en el campo del procesamiento e identificación de imágenes. El objetivo del trabajo es volver a sus inicios. Se intentará comprender cada uno de los conceptos clave para su desarrollo, y se comprobará el comportamiento en el ámbito de clasificación y detección de imágenes médicas. Concretamente se trabajará con imágenes endoscópicas de colon, donde la presencia y la no presencia de pólipos será el factor determinante. Se compararán todas las redes neuronales convolucionales que ofrece Matlab para ver cuál aporta mejores resultados. También, se comprobarán diferentes métodos de localización de pólipos en imágenes. Por último, se valorarán los resultados para ver si se ha podido conseguir un programa de identificación de pólipos en imágenes endoscópicas más fiable que un humano.

Surely we have all, at one time or another, heard of what is called Artificial Intelligence (AI). This subject, with a mysterious name and protagonist in most conversations, is very extensive. This project is focused on a part of Artificial Intelligence called deep learning. This branch of AI, which is very present in our day-to-day life, started as a revolution in the field of image processing and identification. The aim of this project is to return to its beginnings. We will try to understand each of the key concepts for its development. As well as its behavior in the field of classification and detection of medical images. Specifically, we will work with colon endoscopic images, where the presence and absence of polyps will be the determining factor. All convolutional neural networks offered by Matlab will be compared to see which one offers better results. Also, different methods of locating polyps in images will be checked. Finally, the results are going to be evaluated to see if it has been possible to achieve a polyp identification program for endoscopic images that is more reliable than a human.

Desarrollo de una herramienta de seguimiento morfométrico de tumores cerebrales con IA

Bachelor thesis

Vadillo Valero, Héctor

Tutor / Supervisor: Perera Lluna, Alexandre; Mata Miquel, Cristian

Publication date: 2023

Barcelona East School of Engineering (EEBE)

View detail Access to the full text

Els criteris RANO són l'estàndard actual per fer el seguiment dels pacients amb tumors cerebrals ja que permeten avaluar l'evolució del tractament mitjançant l'obtenció dels diàmetres perpendiculars màxims al pla axial. Això no obstant, aquests criteris presenten una certa ambigüitat inter i intraoperador a l'hora de treure conclusions, que pot donar lloc a errors. Fent ús de les noves eines de segmentació automàtica de tumors mitjançant ML i IA, es vol desenvolupar una eina capaç d'obtenir les mètriques RANO de manera automatitzada de manera que s'obtinguin uns resultats precisos per aportar objectivitat, estandardització i reproductibilitat. Partint de les dades extretes del repositori públic de la Universitat de Califòrnia San Francisco Preoperative Diffuse Glioma MRI i l'eina de segmentació automàtica HD-GLIO, s'ha elaborat un algorisme capaç d'obtenir el diàmetre màxim en el pla axial, així com el seu valor en unitats del sistema mètric decimal i la visualització dels resultats en imatges de RM.

Los criterios RANO son el estándar actual para realizar el seguimiento de los pacientes con tumores cerebrales ya que permiten evaluar la evolución del tratamiento mediante la obtención de los diámetros perpendiculares máximos en el plano axial. No obstante, estos criterios presentan cierta ambigüedad inter- e intraoperador a lo hora de sacar conclusiones, que puede dar lugar a errores. Haciendo uso de las nuevas herramientas de segmentación automática de tumores mediante ML e IA, se quiere desarrollar una herramienta capaz de obtener las métricas RANO de forma automatizada de forma que se obtengan unos resultados precisos para aportar objetividad, estandarización y reproducibilidad. Partiendo de los datos extraídos del repositorio público de The University of California San Francisco Preoperative Diffuse Glioma MRI y la herramienta de segmentación automática HD-GLIO, se ha elaborado un algoritmo capaz de obtener el diámetro máximo en el plano axial, así como su valor en unidades del sistema métrico decimal y la visualización de los resultados en imágenes de RM.

The RANO criteria are the current standard for monitoring patients with brain tumours as they allow assessment of treatment progress by obtaining the maximum perpendicular diameters in the axial plane. However, these criteria present some inter- and intra-operator ambiguity when drawing conclusions, which can lead to errors. Making use of new tools for automatic tumour segmentation using ML and AI, the aim is to develop a tool capable of obtaining RANO metrics in an automated way in order to obtain accurate results that provide objectivity, standardisation and reproducibility. Based on data extracted from the public repository of The University of California San Francisco Preoperative Diffuse Glioma MRI and the HD-GLIO automatic segmentation tool, an algorithm has been developed capable of obtaining the maximum diameter in the axial plane, as well as its value in units of the decimal metric system and the visualisation of the results in MR images.

Development of a clinical database for the training of AI algorithms and its implementation on the XNAT system

Bachelor thesis

El Emrani Azariah, Basma

Tutor / Supervisor: Mata Miquel, Cristian; Acebes Pinilla, César

Publication date: 2023

Barcelona East School of Engineering (EEBE)

View detail Access to the full text

La malaltia de l'artèria coronària (CAD) és una malaltia cardiovascular prevalent i la principal causa de mortalitat a tot el món entre les persones menors de 65 anys. Es caracteritza per l'estrenyiment de les artèries coronàries, que es pot diagnosticar mitjançant la utilització de la tomografia computeritzada coronària (TCA). Dins d'un entorn hospitalari, el procés d'informe manual per als pacients amb sospita de CAD normalment requereix aproximadament 40 minuts per pacient, i aproximadament el 65% d'aquests casos no presenten una oclusió significativa dels vasos. S'ha proposat la integració de la intel·ligència artificial (IA) com a mitjà per optimitzar el flux de treball del metge facilitant el processament automatitzat de casos no crítics. Per formar adequadament i, posteriorment, implementar algorismes d'IA en el diagnòstic de CAD, l'establiment d'una base de dades estructurada esdevé crucial. Aquesta investigació presenta una metodologia integral per a la creació d'una base de dades clínica que incorpori dades derivades de la imatge i dades clíniques. La metodologia comença abordant els criteris de selecció de pacients i establint una distribució adequada dels pacients. Posteriorment, abasta diversos aspectes com la recuperació d'imatges, l'anotació i la validació per part d'un expert clínic. Finalment, s'aclareix la integració de dades tant clíniques com d'imatge en una base de dades compatible amb sistemes d'IA. Per il·lustrar la implementació pràctica de la metodologia, s'utilitza un escenari de casos d'ús que inclou 30 casos distribuïts específicament. Les dades resultants s'emmagatzemen posteriorment en un sistema de gestió de dades a mida dissenyat per adaptar-se als requisits del projecte.

La enfermedad de las arterias coronarias (EAC) es una afección cardiovascular prevalente y la principal causa de mortalidad en todo el mundo entre las personas menores de 65 años. Se caracteriza por el estrechamiento de las arterias coronarias, que se puede diagnosticar mediante la utilización de angiografía por tomografía computarizada coronaria (ATCC). Dentro de un entorno hospitalario, el proceso de informe manual para pacientes con sospecha de CAD generalmente requiere aproximadamente 40 minutos por paciente, y aproximadamente el 65% de estos casos no muestran una oclusión significativa del vaso. La integración de la Inteligencia Artificial (IA) se ha propuesto como un medio para optimizar el flujo de trabajo clínico al facilitar el procesamiento automatizado de casos no críticos. Para entrenar adecuadamente, y posteriormente implementar algoritmos de IA en el diagnóstico de CAD, el establecimiento de una base de datos estructurada se vuelve crucial. Esta investigación presenta una metodología integral para la creación de una base de datos clínica que incorpora datos clínicos y derivados de imágenes. La metodología comienza abordando los criterios de selección de pacientes y estableciendo una adecuada distribución de pacientes. Posteriormente, abarca varios aspectos, como la recuperación de imágenes, la anotación y la validación por parte de un experto clínico. Finalmente, se aclara la integración de datos clínicos y de imágenes en una base de datos compatible con los sistemas de IA. Para ilustrar la implementación práctica de la metodología, se emplea un escenario de caso de uso que involucra 30 casos distribuidos específicamente. Los datos resultantes se almacenan posteriormente en un sistema de gestión de datos personalizado diseñado para adaptarse a los requisitos del proyecto.

Coronary artery disease (CAD) is a prevalent cardiovascular condition and the leading cause of mortality worldwide among individuals under 65 years of age. It is characterized by the narrowing of the coronary arteries, which can be diagnosed through the utilization of Coronary Computed Tomography Angiography (CCTA). Within a hospital setting, the manual reporting process for patients suspected of CAD typically requires approximately 40 minutes per patient, and approximately 65% of these cases do not exhibit significant vessel occlusion. The integration of Artificial Intelligence (AI) has been proposed as a means to optimize clinician workflow by facilitating automated processing of non-critical cases. To adequately train and subsequently implement AI algorithms in CAD diagnosis, the establishment of a structured database becomes crucial. This research presents a comprehensive methodology for the creation of a clinical database that incorporates both imaging-derived and clinical data. The methodology begins by addressing the patient selection criteria and establishing a suitable patient distribution. Subsequently, it encompasses various aspects such as image retrieval, annotation, and validation by a clinical expert. Finally, the integration of both clinical and imaging data into a database compatible with AI systems is elucidated. To illustrate the practical implementation of the methodology, a use-case scenario involving 30 specifically distributed cases is employed. The resulting data is subsequently stored in a tailored data management system (DMS) designed to accommodate the requirements of the project.

Aplicació de tècniques de generació de dades sintètiques en el camp de la imatge mèdica per l'entrenament d'algorismes d'Intel·ligència artificial

Bachelor thesis

Aznar Roig, Júlia

Tutor / Supervisor: Mata Miquel, Cristian

Publication date: 2023

Barcelona East School of Engineering (EEBE)

View detail Access to the full text

El següent projecte de recerca té com a objectiu facilitar l'accés i l'ús d'imatges mèdiques, en específic imatges histopatològiques, als científics, enginyers i professionals de la salut mitjançant la generació d'imatges sintètiques. Aquestes imatges sintètiques, en tractar-se d'imatges considerades anònimes, compleixen amb les regulacions de protecció de privacitat de dades mèdiques. Aquest enfocament permet crear un conjunt de dades diverses i representatives que aborda els reptes de l'accés limitat i sensible a l'accés de dades mèdiques i proporcionar una eina per entrenar models d'aprenentatge automàtic que tinguin la capacitat de diagnosticar malalties, com per exemple, el càncer de mama, millorant la precisió dels models i la fiabilitat dels resultats.

El siguiente proyecto de investigación tiene como objetivo facilitar el acceso y uso de imágenes médicas, en específico imágenes histopatológicas, a los científicos, ingenieros y profesionales de la salud mediante la generación de imágenes sintéticas. Estas imágenes sintéticas, al tratarse de imágenes consideradas anónimas, cumplen con las regulaciones de protección de privacidad de datos médicos. Este enfoque permite crear un conjunto de datos diversos y representativos que aborda los retos del acceso limitado y sensible al acceso de datos médicos y proporcionar una herramienta para entrenar modelos de aprendizaje automático que tengan la capacidad de diagnosticar enfermedades, como por ejemplo, el cáncer de mama, mejorando la precisión de los modelos y la confiabilidad de los resultados.

The following research project aims to facilitate the access and use of medical images, specifically histopathological images, to scientists, engineers and health professionals through the generation of synthetic images. These synthetic images, as they are considered anonymous images, comply with the regulations for the protection of medical data privacy. This approach makes it possible to create a diverse and representative dataset that addresses the challenges of limited and sensitive access to medical data and provides a tool for training machine learning models that have the ability to diagnose diseases such as for example, breast cancer, improving the accuracy of the models and the reliability of the results.

Development of new models of AI algorithms to predict the response to surgical or pharmathological treatments using Arterial Spin Labelling sequences (ASL) using interpretability analysis

Bachelor thesis

Szpetnar, Patryk

Tutor / Supervisor: Mata Miquel, Cristian

Publication date: 2023

Barcelona East School of Engineering (EEBE)

View detail Access to the full text

Les anomalies arteriovenoses cerebrals (MAV) constitueixen la principal causa de les hemorràgies intracraneals en infants. Diversos estudis assenyalen la necessitat d'utilitzar tècniques d'imatge no invasives per visualitzar els efectes dels tractaments d'aquestes anomalies. Una de les tècniques més prometedores són les imatges ASL (arterial spin-labeling). D'altra banda, l'aplicació de la intel·ligència artificial (IA) en diferents camps, com la imatge mèdica, ha estat possible gràcies a l'avanç tecnològic. Aquesta aplicació ofereix grans oportunitats per al progrés i la innovació en abordar problemes cognitius que normalment requereixen habilitats humanes. És possible entrenar i validar models en col·laboració amb professionals de la salut, el que permet integrar-los en els processos de treball i utilitzar-los com a eines de suport. Un aspecte clau per aconseguir-ho és la capacitat de proporcionar explicacions clares i comprensibles sobre les decisions preses pels sistemes basats en xarxes neuronals. Les tècniques d'explicabilitat juguen un paper fonamental en permetre als usuaris humans comprendre i confiar en els resultats generats pels algoritmes d'IA. En col·laboració amb l'Hospital Sant Joan de Déu a Barcelona, es desenvolupa aquest projecte utilitzant una base de dades d'imatges ASL de pacients pediàtrics proporcionada pel mateix hospital. L'objectiu principal és crear un model de Deep Learning transparent que pugui detectar la presència de MAV en ASL. En primer lloc, es defineixen i entrenen diversos models utilitzant aquestes dades. Després, s'aplica la tècnica de Grad-CAM, que consisteix en el mapeig d'activació de classes ponderat per gradient, per obtenir explicacions sobre les decisions del model. El millor model se selecciona tenint en compte diverses mètriques i les explicacions generades per Grad-CAM.

Las anomalías arteriovenosas cerebrales (MAV) constituyen la principal causa de la hemorragia intracraneal en niños. Diversos estudios señalan que existe una necesidad de que se usen técnicas de imágen no invasivas para visualizar los efectos de los tratamientos de estas anomalías. Una de las técnicas más prometedoras son las imágenes ASL (arterial spin-labeling). Por otra parte, la aplicación de la inteligencia artificial (IA) en diferentes campos, como la imagen médica, ha sido posible gracias al avance tecnológico. Esta aplicación ofrece grandes oportunidades para el progreso e innovación al abordar problemas cognitivos que normalmente requieren habilidades humanas. Es posible entrenar y validar modelos en colaboración con profesionales de la salud, lo que permite integrarlos en los procesos de trabajo y utilizarlos como herramientas de apoyo. Un aspecto clave para lograr esto es la capacidad de proporcionar explicaciones claras y comprensibles sobre las decisiones tomadas por los sistemas basados en redes neuronales. Las técnicas de explicabilidad desempeñan un papel fundamental al permitir a los usuarios humanos comprender y confiar en los resultados generados por los algoritmos de IA. En colaboración con el Hospital Sant Joan de Déu en Barcelona, se desarrolla este proyecto utilizando una base de datos de imágenes de ASL de pacientes pediátricos proporcionada por el mismo hospital. El objetivo principal es crear un modelo de Deep Learning transparente que pueda detectar la presencia de MAV en ASL. En primera instancia, se definen y entrenan varios modelos utilizando estos datos. Luego, se aplica la técnica de Grad-CAM, que consiste en mapeo de activación de clases ponderado por gradiente, para obtener explicaciones sobre las decisiones del modelo. El mejor modelo se selecciona considerando diversas métricas y las explicaciones generadas por Grad_CAM.

Cerebral arteriovenous malformations (AVMs) are the main cause of intracranial hemorrhage in children. Various studies indicate the need to use non-invasive imaging techniques to visualize the effects of treatments for these anomalies. One of the most promising techniques is arterial spin-labeling (ASL) imaging. Furthermore, the application of artificial intelligence (AI) in different fields, such as medical imaging, has been made possible by technological advancements. This application offers significant opportunities for progress and innovation in addressing cognitive problems that typically require human skills. It is possible to train and validate models in collaboration with healthcare professionals, enabling their integration into work processes and use as support tools. A key aspect to achieve this is the ability to provide clear and understandable explanations for the decisions made by neural network-based systems. Explainability techniques play a fundamental role in enabling human users to comprehend and trust the results generated by AI algorithms. In collaboration with the Hospital Sant Joan de Déu in Barcelona, this project is being developed using a database of ASL images from pediatric patients provided by the hospital itself. The main objective is to create a transparent Deep Learning model capable of detecting the presence of AVMs in ASL. Initially, several models are defined and trained using this data. Subsequently, the Grad-CAM technique, which involves gradient-weighted class activation mapping, is applied to obtain explanations for the model's decisions. The best model is selected considering various metrics and the explanations generated by Grad-CAM. Finally, the aim is to facilitate the implementation of these models in future projects related to medical imaging, providing an easy and fast solution to adapt to different image sets.

Implementation of a 3D CNN for COPD classification

Bachelor thesis

Matamala Avrova, Elisabet Vera

Tutor / Supervisor: Mata Miquel, Cristian; Gonzalez Ruiz, Juan Ramon

Publication date: 2023

Barcelona East School of Engineering (EEBE)

View detail Access to the full text

Segons les prediccions de la Organització Mundial de la Salut (OMS) pels voltants del 2030 la Malaltia Pulmonar Obstructiva Crònica (MPOC) es convertirá en la tercera causa de mort en tot el món. L'MPOC és una patologia que afecta a les vies respiratòries i als pulmons. Avui en dia esdevé crónica i incurable però, és una malaltia tractable i prevenible. Fins ara les proves de diagnòstic usades per a detectar l'MPOC es basen en l'espirometria, aquesta prova, tot i indicar el grau d'obstrucció al pas de l'aire que es produeix en els pulmons, sovint no és molt fiable. És per aquest motiu que s'estan començant a usar tècniques basades en algorismes de Deep Learning per a la classificaió més acurada d'aquesta patologia, basant-se en imatges tomogràfiques de pacients malalts d'MPOC. Les xarxes neuronals convolucionals en tres dimensions (3D-CNN) en són un exemple. A partir de les dades i les imatges obtingudes en l'estudi observacional d'ECLIPSE proporcionades per l'equip de recerca de BRGE de ISGlobal, s'implementa una 3D-CNN per a la classificació de pacients amb risc d'MPOC. Aquest treball té com a objectiu desenvolupar una recerca extensa sobre la recerca actual en aquest àmbit i proposa millores per a l'optimització i reducció del cost computacional d'una 3D-CNN per aquest cas d'estudi concret.

Según las predicciones de la Organización Mundial de la Salud (OMS), para alrededor del 2030, la Enfermedad Pulmonar Obstructiva Crónica (EPOC) se convertirá en la tercera causa de muerte en todo el mundo. La EPOC es una enfermedad que afecta las vías respiratorias y los pulmones. En la actualidad, se considera crónica e incurable, pero es una enfermedad tratable y prevenible. Hasta ahora, las pruebas de diagnóstico utilizadas para detectar la EPOC se basan en la espirometría. Esta prueba, a pesar de indicar el grado de obstrucción en el flujo de aire que ocurre en los pulmones, a menudo no es muy confiable. Es por esta razón que se están empezando a utilizar técnicas basadas en algoritmos de Deep Learning para una clasificación más precisa de esta patología, utilizando imágenes tomográficas de pacientes enfermos de EPOC. Las redes neuronales convolucionales en tres dimensiones (3D-CNN) son un ejemplo de esto. A partir de los datos y las imágenes obtenidas en el estudio observacional ECLIPSE proporcionado por el equipo de investigación de BRGE de ISGlobal, se implementa una 3D-CNN para la clasificación de pacientes con riesgo de EPOC. Este trabajo tiene como objetivo desarrollar una investigación exhaustiva sobre la investigación actual en este campo y propone mejoras para la optimización y reducción del costo computacional de una 3D-CNN para este caso de estudio concreto.

According to predictions by the World Health Organization (WHO), by around 2030, Chronic Obstructive Pulmonary Disease (COPD) will become the third leading cause of death worldwide. COPD is a condition that affects the respiratory tract and lungs. Currently, it is considered chronic and incurable, but it is a treatable and preventable disease. Up to now, diagnostic tests used to detect COPD have been based on spirometry. Despite indicating the degree of airflow obstruction in the lungs, this test is often not very reliable. That is why techniques based on Deep Learning algorithms are being increasingly used for more accurate classification of this pathology, based on tomographic images of COPD patients. Three-dimensional Convolutional Neural Networks (3D-CNN) are an example of such techniques. Based on the data and images obtained in the observational study called ECLIPSE, provided by the research team at BRGE of ISGlobal, a 3D-CNN is implemented for the classification of patients at risk of COPD. This work aims to conduct extensive research on the current state of research in this field and proposes improvements for the optimization and reduction of the computational cost of a 3D-CNN for this specific case study.

Estudi de l'infart de miocardi a partir de de-MRI utilitzant models d'intel·ligència artificial

Bachelor thesis

Torres Ortuño, Ana

Tutor / Supervisor: Mata Miquel, Cristian; Benítez Iglesias, Raúl

Publication date: 2023

Barcelona East School of Engineering (EEBE)

View detail Access to the full text

L'infart de miocardi és una greu patologia cardíaca caracteritzada per la falta de subministrament sanguini a una part del múscul cardíac, que provoca danys permanents al cor. Encara que el nombre de morts anuals a causa d'aquesta malaltia és molt elevat, s'ha observat una reducció en les últimes dècades gràcies a millores en la seva detecció. Actualment, els pacients són sotmesos a exàmens histològics i anàlisis de sang per al diagnòstic. Ocasionalment, és necessari l'ajuda d'imatges de ressonància magnètica per a l'avaluació de l'anatomia del teixit del múscul cardíac. No obstant això, de vegades hi ha discordança entre les dades clíniques, els resultats dels exàmens i les imatges, fet que pot dificultar el diagnòstic. En aquest context, l'ús de models d'intel·ligència artificial s'ha convertit en una eina important que facilita aquest procés laboriós i proporciona resultats més ràpids i precisos. Per això, en aquest projecte es planteja l'estudi de diferents mètodes aplicats a una base de dades pública del repte EMIDEC i la implementació d'un codi propi per trobar els models que ofereixin els millors resultats possibles en el diagnòstic d'infart de miocardi, sense necessitat d'utilitzar un programari complex. El codi de classificació proposat està desenvolupat en Python i es troba disponible a través de la plataforma GitHub. Aquest codi fa ús d'una xarxa neuronal convolucional (CNN) per a l'anàlisi de les imatges cardíaques i la classificació dels casos dels pacients que han patit o no infart de miocardi. S'ha aconseguit una puntuació F1 del 94,19% i una exactitud del 92,86%, resultats que indiquen un bon rendiment del model de classificació.

El infarto de miocardio es una grave patología cardíaca caracterizada por la falta de suministro sanguíneo a una parte del músculo cardíaco, que provoca daños permanentes en el corazón. Aunque el número de muertes anuales debidas a esta enfermedad es muy elevado, se ha observado una reducción en las últimas décadas gracias a su detección. Actualmente, los pacientes son sometidos a exámenes histológicos y análisis de sangre para el diagnóstico. Ocasionalmente, es necesaria la ayuda de imágenes de resonancia magnética para la evaluación de la anatomía del tejido del músculo cardíaco. No obstante, de vez en cuando hay discordancia entre los datos clínicos, los resultados de los exámenes y las imágenes, lo que puede dificultar el diagnóstico. En este contexto, el uso de modelos de inteligencia artificial se ha convertido en una herramienta importante que facilita este proceso laborioso y proporciona resultados más rápidos y precisos. Por ello, en este proyecto se plantea el estudio de diferentes métodos aplicados a una base de datos pública del reto EMIDEC y la implementación de un código propio para encontrar los modelos que ofrezcan los mejores resultados posibles en el diagnóstico de infarto de miocardio, sin necesidad de utilizar un programa complejo. El código de clasificación propuesto está desarrollado en Python y se encuentra disponible a través de la plataforma GitHub. Este código emplea una red neuronal artificial (CNN) para el análisis de las imágenes cardíacas y la clasificación de los casos de los pacientes que han sufrido o no infarto de miocardio. Se ha logrado una puntuación F1 del 94,19% y una exactitud del 92,86%, resultados que indican un buen rendimiento del modelo de clasificación.

Myocardial infarction is a severe cardiac condition characterized by insufficient blood supply to a part of the heart muscle, resulting in permanent damage. Despite the high number of annual deaths attributed to this disease, advancements in detection have led to a decline in mortality rates over the past decades. Currently, diagnosis of myocardial infarction involves histological examinations and blood tests. In some cases, magnetic resonance imaging is employed to assess the cardiac muscle tissue. However, discrepancies between clinical data, test results and imaging can complicate accurate diagnosis. To address this challenge, the integration of artificial intelligence models has become a valuable tool that facilitates this work process and provides faster and more precise outcomes. Therefore, this project aims to explore various methodologies applied to the public EMIDEC challenge database and the implementation of a customized code to find the models that yield optimal results for diagnosing myocardial infarction, without relying on complex software. The classification code provided is implemented in Python and can be accessed on the GitHub platform. This code uses a convolutional neural network (CNN) to analyze cardiac images and classify patient cases on whether they have experienced myocardial infarction or not. The model achieved an F1-score of 94.19% and an accuracy of 92.86%, indicating its excellent performance in accurately classifying cases.