Un enfoque de aprendizaje profundo para la cuantificación de la función cardíaca

Mostrar todas las versiones(2)

Las enfermedades cardiovasculares son la primera causa de muerte a nivel mundial. Es por esto que las tareas de detección temprana, diagnóstico y pronóstico resultan de vital importancia para las personas que padecen o corren riesgo de padecer estas patolog ías. Dos indicadores ampliamente utiliz...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Dellazoppa, Lucca
Formato: Tesis NonPeerReviewed
Lenguaje:Español
Publicado: 2020
Materias:
Ingeniería
[Cardiac quantification
Cuantificación cardíaca
Cardiac segmentation
Segmentación cardíaca
Convolutional networks
Redes convolucionales]
Acceso en línea:http://ricabib.cab.cnea.gov.ar/980/1/Dellazoppa.pdf
Aporte de:
Repositorio Institucional Centro Atómico Bariloche e Instituto Balseiro (RICABIB) de Instituto Balseiro
id I25-R131-980
record_format dspace
institution Instituto Balseiro
institution_str I-25
repository_str R-131
collection Repositorio Institucional Centro Atómico Bariloche e Instituto Balseiro (RICABIB)
language Español
orig_language_str_mv es
topic Ingeniería
[Cardiac quantification
Cuantificación cardíaca
Cardiac segmentation
Segmentación cardíaca
Convolutional networks
Redes convolucionales]
spellingShingle Ingeniería
[Cardiac quantification
Cuantificación cardíaca
Cardiac segmentation
Segmentación cardíaca
Convolutional networks
Redes convolucionales]
Dellazoppa, Lucca
Un enfoque de aprendizaje profundo para la cuantificación de la función cardíaca
topic_facet Ingeniería
[Cardiac quantification
Cuantificación cardíaca
Cardiac segmentation
Segmentación cardíaca
Convolutional networks
Redes convolucionales]
description Las enfermedades cardiovasculares son la primera causa de muerte a nivel mundial. Es por esto que las tareas de detección temprana, diagnóstico y pronóstico resultan de vital importancia para las personas que padecen o corren riesgo de padecer estas patolog ías. Dos indicadores ampliamente utilizados para cuantificar la función y estructura cardiaca son la fracción de eyección (EF) y la masa del miocardio correspondiente al ventrículo izquierdo (LVM), cuyo cálculo requiere identificar y delinear de forma precisa los contornos de distintos tejidos del corazón en estudios de imágenes médicas. Si bien existen métodos semiautomáticos para realizar esta tarea, no suelen tener la precisi ón alcanzada mediante la demarcación manual, la cual es comúnmente considerada tediosa, repetitiva y puede demandar alrededor de 20 minutos por paciente para un médico experto. En este contexto, se propone trasladar al ámbito clínico una aplicación que permita cuantificar la función cardiaca a partir de la estimación de la EF y LVM de manera automática en estudios de resonancia magnética nuclear; con precisiones y errores comparables a los obtenidos por especialistas. Con ese objetivo se diseñó y desarrolló la herramienta de código abierto CardIAc, la cual incorpora dos modelos de redes neuronales profundas que se entrenaron para detectar las estructuras cardiacas de interés. De esta manera, se presenta un enfoque automático que logra reducir el tiempo de los métodos tradicionales a 2 min. (CPU) y 30 seg. (GPU), con errores en la cuantificación de EF (0.02±4.6[ %]) que se encuentran en el rango inter-observador actual. Asimismo, este enfoque contempla la posibilidad de realizar una corrección manual de los tejidos identificados en la etapa de detección de estructuras. La herramienta provista se desarrolló como una extensión del software de visualización y procesado de imágenes médicas 3DSlicer, integrándose así con el resto de utilidades nativas.
format Tesis
NonPeerReviewed
author Dellazoppa, Lucca
author_facet Dellazoppa, Lucca
author_sort Dellazoppa, Lucca
title Un enfoque de aprendizaje profundo para la cuantificación de la función cardíaca
title_short Un enfoque de aprendizaje profundo para la cuantificación de la función cardíaca
title_full Un enfoque de aprendizaje profundo para la cuantificación de la función cardíaca
title_fullStr Un enfoque de aprendizaje profundo para la cuantificación de la función cardíaca
title_full_unstemmed Un enfoque de aprendizaje profundo para la cuantificación de la función cardíaca
title_sort un enfoque de aprendizaje profundo para la cuantificación de la función cardíaca
publishDate 2020
url http://ricabib.cab.cnea.gov.ar/980/1/Dellazoppa.pdf
work_keys_str_mv AT dellazoppalucca unenfoquedeaprendizajeprofundoparalacuantificaciondelafuncioncardiaca
_version_ 1794277872507027456
spelling I25-R131-9802021-09-21T19:09:02Z Un enfoque de aprendizaje profundo para la cuantificación de la función cardíaca A deep learning approach for cardiac function quantification Dellazoppa, Lucca Ingeniería [Cardiac quantification Cuantificación cardíaca Cardiac segmentation Segmentación cardíaca Convolutional networks Redes convolucionales] Las enfermedades cardiovasculares son la primera causa de muerte a nivel mundial. Es por esto que las tareas de detección temprana, diagnóstico y pronóstico resultan de vital importancia para las personas que padecen o corren riesgo de padecer estas patolog ías. Dos indicadores ampliamente utilizados para cuantificar la función y estructura cardiaca son la fracción de eyección (EF) y la masa del miocardio correspondiente al ventrículo izquierdo (LVM), cuyo cálculo requiere identificar y delinear de forma precisa los contornos de distintos tejidos del corazón en estudios de imágenes médicas. Si bien existen métodos semiautomáticos para realizar esta tarea, no suelen tener la precisi ón alcanzada mediante la demarcación manual, la cual es comúnmente considerada tediosa, repetitiva y puede demandar alrededor de 20 minutos por paciente para un médico experto. En este contexto, se propone trasladar al ámbito clínico una aplicación que permita cuantificar la función cardiaca a partir de la estimación de la EF y LVM de manera automática en estudios de resonancia magnética nuclear; con precisiones y errores comparables a los obtenidos por especialistas. Con ese objetivo se diseñó y desarrolló la herramienta de código abierto CardIAc, la cual incorpora dos modelos de redes neuronales profundas que se entrenaron para detectar las estructuras cardiacas de interés. De esta manera, se presenta un enfoque automático que logra reducir el tiempo de los métodos tradicionales a 2 min. (CPU) y 30 seg. (GPU), con errores en la cuantificación de EF (0.02±4.6[ %]) que se encuentran en el rango inter-observador actual. Asimismo, este enfoque contempla la posibilidad de realizar una corrección manual de los tejidos identificados en la etapa de detección de estructuras. La herramienta provista se desarrolló como una extensión del software de visualización y procesado de imágenes médicas 3DSlicer, integrándose así con el resto de utilidades nativas. Cardiovascular diseases are the leading cause of death worldwide. That is why the tasks of early detection, diagnosis and prognosis are of paramount importance for people who suer or are at risk of suering from these pathologies. Two descriptors widely used for the quantification of cardiac function and structure are the ejection fraction (EF) and the left ventricular myocardial mass (LVM), whose calculation requires identifying and precisely delineating the contours of dierent heart tissues in medical imagingbased studies. Although there are semi-automatic methods to perform this task, they usually do not achieve the precision obtained through manual demarcation, which is commonly considered tedious and repetitive, requiring up to 20 minutes per patient for an expert. In this context, we aim to provide the clinical eld with an application that allows the automatic quantication of cardiac function (EF and LVM) in nuclear magnetic resonance imaging studies, with accuracies and errors similar to those obtained by specialists. With this objective, the open source tool CardIAc was designed and developed, which incorporates two models of deep neural networks that were trained to identify the cardiac structures of interest. In this way, we present an automatic approach that manages to reduce the time of traditional methods to 2 min. (CPU) and 30 sec. (GPU), with an observed error in EF quantication (0.02±4.6 [%]) within the current inter-observer range. Besides, the capability of making manual corrections to the identified tissues is covered in this approach. The tool provided was developed as an extension of the 3DSlicer medical image visualization and processing software, thus integrating with the rest of native utilities. 2020-12-23 Tesis NonPeerReviewed application/pdf http://ricabib.cab.cnea.gov.ar/980/1/Dellazoppa.pdf es Dellazoppa, Lucca (2020) Un enfoque de aprendizaje profundo para la cuantificación de la función cardíaca / A deep learning approach for cardiac function quantification. Maestría en Ingeniería, Universidad Nacional de Cuyo, Instituto Balseiro. http://ricabib.cab.cnea.gov.ar/980/

Ejemplares similares