Aprèn - Dario Garcia Gasulla

Els avenços en les Tecnologies de Reproducció Assistida (ART) han posat de manifest la necessitat d'eines objectives i basades en dades per donar suport a la selecció d'embrions en la Fecundació In Vitro (FIV). Aquesta tesi explora mètodes d'intel·ligència artificial basats en imatges per predir la formació de blastocists de bona qualitat al dia 3, utilitzant dades temporals de temps obtingudes d'incubadores EmbryoScope. Es va recopilar i preprocessar un conjunt de dades personalitzat amb 10.274 seqüències d'embrions anotades, en col·laboració amb l'Hospital Clínic de Barcelona, per a l'entrenament dels models. Es van avaluar diversos enfocaments, incloent-hi models tradicionals d'aprenentatge automàtic i models d'aprenentatge profund, en diferents modalitats: imatges individuals, seqüències de dades temporals de temps i característiques morfocinètiques fusionades. El model amb millor rendiment —basat en EfficientNetB0 i una fusió de característiques amb mecanisme d'atenció— va assolir una precisió equilibrada del 77,37% en el conjunt de test, mentre que un model completament automatitzat basat en vídeo, amb una xarxa LSTM, va arribar a una precisió equilibrada del 75,3%. Els resultats demostren un alt rendiment dels models embrionaris, assolint resultats d'última generació en el conjunt de dades disponible i mostrant un potencial prometedor per al suport clínic real en la selecció d'embrions.

Los avances en las Tecnologías de Reproducción Asistida (ART) han subrayado la necesidad de herramientas objetivas y basadas en datos para apoyar la selección de embriones en la Fecundación In Vitro (FIV). Esta tesis explora métodos de inteligencia artificial basados en imágenes para predecir la formación de blastocistos de buena calidad en el día 3, utilizando datos de lapso de tiempo obtenidos de incubadoras EmbryoScope. Se recopiló y preprocesó un conjunto de datos personalizado con 10.274 secuencias de embriones anotadas, en colaboración con el Hospital Clínic de Barcelona, para el entrenamiento de los modelos. Se evaluaron múltiples enfoques, incluidos modelos tradicionales de aprendizaje automático y modelos de aprendizaje profundo, en diferentes modalidades: imágenes individuales, secuencias de lapso de tiempo y características morfocinéticas fusionadas. El modelo con mejor rendimiento —basado en EfficientNetB0 y una fusión de características con atención— logró una precisión equilibrada del 77,37% en el conjunto de prueba, mientras que un modelo completamente automatizado basado en video, que incorpora una red LSTM, alcanzó una precisión equilibrada del 75,3%. Los resultados demuestran un alto rendimiento de los modelos embrionarios, alcanzando resultados de última generación en el conjunto de datos disponible y mostrando un potencial prometedor para el apoyo clínico real en la selección de embriones.

Advances in Assisted Reproductive Technology (ART) have underscored the need for objective, data-driven tools to support embryo selection in In Vitro Fertilization (IVF). This thesis explores image-based artificial intelligence methods for predicting good-quality blastocyst formation at day 3 using time-lapse data from EmbryoScope incubators. A custom dataset of 10,274 annotated embryo sequences, collected in collaboration with Hospital Clínic de Barcelona, was assembled and preprocessed for model training. Multiple approaches, including traditional machine learning and deep learning models, were evaluated across different modalities: single images, time-lapse sequences, and fused morphokinetic features. The best-performing model - based on a EfficientNetB0 and attention-based feature fusion - achieved a balanced accuracy of 77.37% on the test set, while a fully automated video-based model incorporating an LSTM network reached a balanced accuracy of 75.3%. The results demonstrate a strong performance of the embryo models, reaching state-of-the-art results on the dataset at hand and showing promising potential for real-world clinical support in embryo selection.

Image models for the detection and characterization of a rare liver disease (Porto-Sinusoidal Vascular Disorder)

Projecte Final de Màster Oficial

Suárez Fernández, Martín

Tutor/a - Director/a: Garcia Gasulla, Dario; Béjar Alonso, Javier; García Pagán, Juan Carlos

Fecha de publicación: 2025

Facultad de Informática de Barcelona (FIB)

Ver detalle Acceso al texto completo

Prompt engineering for medical foundational models

Projecte Final de Màster Oficial

Bayarri Planas, Jordi

Tutor/a - Director/a: Garcia Gasulla, Dario

Fecha de publicación: 2024

Facultad de Informática de Barcelona (FIB)

Ver detalle Acceso al texto completo

From diverse CT scans to generalization: towards robust abdominal organ segmentation

Projecte Final de Màster Oficial

Álvarez Llopis, Nicolás

Tutor/a - Director/a: Garcia Gasulla, Dario; De La Iglesia Vayá, Mariam

Fecha de publicación: 2024

Facultad de Informática de Barcelona (FIB)

Ver detalle Acceso al texto completo

Detecting and attributing ai-generated images with machine learning

Projecte Final de Màster Oficial

Bernabeu Pérez, Pablo

Tutor/a - Director/a: Garcia Gasulla, Dario; López Cuena, Enrique

Fecha de publicación: 2024

Facultad de Informática de Barcelona (FIB)

Ver detalle Acceso al texto completo

Exploring the complexities of AI-Assisted Embryo Selection: a comprehensive review

Projecte Final de Màster Oficial

Urcelay Ganzabal, Lucia

Tutor/a - Director/a: Garcia Gasulla, Dario; Cortés Martínez, Atia

Fecha de publicación: 2023

Facultad de Informática de Barcelona (FIB)

Ver detalle Acceso al texto completo

Super-resolution assessment and detection

Projecte Final de Màster Oficial

López Cuena, Enrique

Tutor/a - Director/a: Garcia Gasulla, Dario; Tormos, Adríán

Fecha de publicación: 2023

Facultad de Informática de Barcelona (FIB)

Ver detalle Acceso al texto completo

Detection and location of contrast-aware and border-aware neurons in Convolutional Neural Networks

Projecte Final de Màster Oficial

Badenas Crespo, Víctor

Tutor/a - Director/a: Garcia Gasulla, Dario; Parés Pont, Ferran

Fecha de publicación: 2022

Facultad de Informática de Barcelona (FIB)

Ver detalle Acceso al texto completo

On the trade-off between feature extraction and fine tuning in transfer learning

Projecte Final de Màster Oficial

Tormos Llorente, Adrian

Tutor/a - Director/a: Garcia Gasulla, Dario

Fecha de publicación: 2022

Facultad de Informática de Barcelona (FIB)

Ver detalle Acceso al texto completo

Factors associated to mortality in patients of the first wave infected by COVID-19 in Spain

Projecte Final de Màster Oficial

Barroso Isidoro, Marta

Tutor/a - Director/a: Cortés García, Ulises; Garcia Gasulla, Dario

Fecha de publicación: 2021

Facultad de Informática de Barcelona (FIB)

Ver detalle Acceso al texto completo

Modeling COVID patients' medical interventions

Trabajo final de grado

Ollé Sabaté, Albert

Tutor/a - Director/a: Pérez Arnal, Raquel Leandra; Garcia Gasulla, Dario

Fecha de publicación: 2021

Facultad de Informática de Barcelona (FIB)

Ver detalle Acceso al texto completo

En aquest projecte de fi de carrera, vam realitzar un estudi en pacients de UCIs espanyoles amb COVID 19 amb l'objectiu de descriure els pacients que necessitaven una ventilació mecànica invasiva i entrenem una varietat de models d'aprenentatge automàtic per veure quina obtenia les millors puntuacions. Vem dividir aquest estudi en dos subestudis, el primer va utilitzar totes les variables disponibles per a realitzar les prediccions i es va explorar en dos esdeveniments de l'estada hospitalària del pacient: L'ingrés a l'hospital i l'ingrés a l'UCI. El segon subestudi es va centrar en la predicció del mateix procediment mèdic però utilitzant només les variables que podien ser conegudes / obtingudes pel propi pacient o per algú proper. En el primer subestudi, el millor model obtingut per a l'ingrés a l'hospital va ser un bosc aleatori amb una precisió equilibrada de 0,66 i una puntuació f1 ponderada de 0,67. En l'ingrés a l'UCI, el millor model va ser també un bosc aleatori amb una precisió equilibrada de 0,78 i una puntuació f1 ponderada de 0,77. Per al segon subestudi, al posar més èmfasi en la interpretabilitat, entrenem un classificador d'arbre de decisió a partir de les característiques amb més importància segons el bosc aleatori per crear unes pautes comprensibles. Aquest arbre va obtenir una precisió equilibrada i una puntuació F1 ponderada de 0,66.

In this end of degree project, we performed a study on patients from Spanish ICUs with COVID 19 with the objective to describe the patients who needed an invasive mechanical ventilation and trained a variety of machine learning models to see which would get the best scores. We divided this study into two sub studies, the first one used all the variables available to make the predictions and it was explored at two events of the patient's hospital stay: Hospital admission and ICU admission. The second sub study focused on predicting the same medical procedure but using only variables which could be known/obtained by the patient themselves or by someone close. For the first sub study at hospital admission the best model we obtained was a random forest with a balanced accuracy of 0.66 and a weighted f1-score of 0.67. At ICU admission the best model was also a random forest with a balanced accuracy of 0.78 and a weighted f1-score of 0.77. For the second sub study, as we put more emphasis on interpretability, we trained a decision tree classifier from the features with the highest importance according to the random forest in order to create understandable guidelines. This tree obtained a balanced accuracy and weighted F1-score of 0.66.

En este proyecto de fin de carrera, realizamos un estudio en pacientes de UCIs españolas con COVID 19 con el objetivo de describir los pacientes que necesitaban una ventilación mecánica invasiva y entrenamos una variedad de modelos de aprendizaje automático para ver cuál obtenía las mejores puntuaciones. Dividimos este estudio en dos subestudios, el primero utilizó todas las variables disponibles para realizar las predicciones y se exploró en dos eventos de la estancia hospitalaria del paciente: El ingreso en el hospital y el ingreso en la UCI. El segundo subestudio se centró en la predicción del mismo procedimiento médico pero utilizando sólo las variables que podían ser conocidas/obtenidas por el propio paciente o por alguien cercano. En el primer subestudio, el mejor modelo obtenido para el ingreso en el hospital fue un bosque aleatorio con una precisión equilibrada de 0,66 y una puntuación f1 ponderada de 0,67. En el ingreso en la UCI, el mejor modelo fue también un bosque aleatorio con una precisión equilibrada de 0,78 y una puntuación f1 ponderada de 0,77. Para el segundo subestudio, al poner más énfasis en la interpretabilidad, entrenamos un clasificador de árbol de decisión a partir de las características con mayor importancia según el bosque aleatorio para crear pautas comprensibles. Este árbol obtuvo una precisión equilibrada y una puntuación F1 ponderada de 0,66.

Fracture detection and explainability in deep learning models

Projecte Final de Màster Oficial

Giménez Abalos, Víctor

Tutor/a - Director/a: Garcia Gasulla, Dario

Fecha de publicación: 2021

Facultad de Informática de Barcelona (FIB)

Ver detalle Acceso al texto completo

Random Forest as a tumour genetic marker extractor

Projecte Final de Màster Oficial

Pérez Arnal, Raquel Leandra

Tutor/a - Director/a: Garcia Gasulla, Dario; Cortés García, Claudio Ulises

Fecha de publicación: 2019

Facultad de Informática de Barcelona (FIB)

Ver detalle Acceso al texto completo

A study of neural behavioral differences among CNN architectures

Trabajo final de grado

Gimenez Abalos, Victor

Tutor/a - Director/a: Garcia Gasulla, Dario; Cortés García, Claudio Ulises

Fecha de publicación: 2019

Facultad de Informática de Barcelona (FIB)

Ver detalle Acceso al texto completo

La extracción de activaciones neuronales de una red neuronal convolucional permite reutilizar representaciones internas de un modelo pre-entrenado para resolver problemas nuevos, incluso no relacionados con el problema original. Este proceso abre el uso de aprendizaje profundo a problemas préviamente no considerados por falta de datos, así como a personas cuyos recursos computacionales y/o capacidades no les permitían entrenar redes neuronales. Sin embargo, la mayoría de métodos de aprendizaje máquina no pueden entrenarse con la salida de una extracción de todas las capas de la red dado el tamaño de dichas redes. Para ello, se deben realizar procesos adicionales. A lo largo de este trabajo, estudiamos, reimplementamos, evaluamos y mejoramos un método ya existente: el Full-Network Embedding. Basamos nuestros experimentos en resultados empíricos y datasets reales y en comparativas contra el estado del arte previo en métricas como precisión y tiempo de ejecución. Conseguimos mejorar el tiempo de ejecución del proceso completo y simplificar el componente estocástico del método mediante una fórmula matemática. Además, descubrimos alternativas que permiten sustituir partes del proceso. Algunos los basamos en el mismo enfoque que el estado del arte pero con grano diferente, mientras que otros siguen diferentes filosofías como métodos supervisados contra no supervisados. En el proceso, descubrimos propiedades de comportamiento neuronal en redes convolucionales, que pueden ser explotados tanto para el campo de aprendizaje por transferencia como para aprendizaje profundo.

The purpose of feature extraction on convolutional neural networks is to reuse deep representations learnt for a pre-trained model to solve a new, potentially unrelated problem. This process would enable the use of deep learning for tasks with small data size and for people without the skills or access to the computational capabilities required for training nets.However, raw feature extraction from all layers makes training most ML methods unfeasible given the massive size of these networks. As such, extra processes must be performed to facilitate it. In this work, we study, reimplement, evaluate and improve an already existing method for doing so: the Full-Network Embedding. We evaluate our work with empirical tests on real datasets, and in comparisons with the previous state-of-the-art in several metrics, such as the accuracy and execution time. We manage to improve the execution time for the full pipeline and acquire further comprehension on the stochasticity of the method to the point it simplified through a mathematical formula. We also discover different alternatives that can substitute part of this pipeline, based in similar approaches with different granularity, supervised and unsupervised mechanisms and more, achieving accuracies comparable to the state-of-the-art of the original FNE. In the process, we discover properties of neural behaviour in CNNs which may be exploited both for transfer learning and deep learning.