Segmentación autónoma de lesiones producidas por ultrasonido focalizado como tratamiento a enfermedades con desórdenes de movimiento, utilizando técnicas de inteligencia artificial

Alava Calderón, Bryan Paúl

DSpace Principal
→
Unidades Académicas
→
Facultad de Ingeniería en Electricidad y Computación
→
Tesis de Computación
→
Ver ítem

dc.contributor.advisor	Peláez Jarrín, Colón Enrique, , Director
dc.contributor.author	Alava Calderón, Bryan Paúl
dc.creator	ESPOL
dc.date.accessioned	2023-09-27T19:28:17Z
dc.date.available	2023-09-27T19:28:17Z
dc.date.issued	2023
dc.identifier.citation	Alava Calderón, B. P. (2023). Segmentación autónoma de lesiones producidas por ultrasonido focalizado como tratamiento a enfermedades con desórdenes de movimiento, utilizando técnicas de inteligencia artificial. [Proyecto integrador]. ESPOL. FIEC. .
dc.identifier.uri	http://www.dspace.espol.edu.ec/handle/123456789/58189
dc.description	El tratamiento con ultrasonido focalizado es una intervención quirúrgica no invasiva, que mejora los efectos motores de enfermedades como el Parkinson, Disquinesias y Temblor Esencial. Este tratamiento produce una lesión en el Núcleo Subtalámico, que requiere de una identificación precisa en el menor tiempo posible. Se presenta una herramienta web que permite segmentar de forma autónoma las lesiones presentes en el Núcleo Subtalámico, a partir del análisis y procesamiento de imágenes de resonancia magnética (MRI) en conjunto con la aplicación de técnicas de aprendizaje profundo. El módulo de aprendizaje profundo emplea como backbone la arquitectura Swin Tranformers y se basa en una arquitectura Unet, el cual fue entrenado a partir de un conjunto de datos 4000 ejemplos de imágenes potenciadas en T2 con cortes a 1mm de distancia. La propuesta basada en transformers obtuvo la segmentación de los volúmenes de interés con un coeficiente DICE del 0,80 y AVD (Average Volume Distance) del 0,0019. Se contrastó estos resultados con otras arquitecturas, tales como CCT (Compact Convolutional Transformer) y MobileViT las cuales no obtuvieron un desempeño a nivel de la arquitectura Swin Transformer. El módulo que corresponde al prototipo acopla el modelo de segmentación con una interfaz web que permite subir una MRI, procesarla y devolver una máscara de segmentación superpuesta, además de proveer un mecanismo de retroalimentación para la evaluación por parte de personal administrativo.
dc.format	application/pdf
dc.format.extent	62 páginas
dc.language.iso	spa
dc.publisher	ESPOL
dc.rights	openAccess
dc.subject	Segmentación 3D
dc.subject	Aprendizaje Profundo
dc.subject	Parkinson
dc.subject	Núcleo Subtalámico
dc.title	Segmentación autónoma de lesiones producidas por ultrasonido focalizado como tratamiento a enfermedades con desórdenes de movimiento, utilizando técnicas de inteligencia artificial
dc.type	Ingeniero en Ciencias de la Computación
dc.identifier.codigoespol	T-113553
dc.description.city	Guayaquil
dc.description.degree	Escuela Superior Politécnica del Litoral
dc.identifier.codigoproyectointegrador	TECH-305
dc.description.abstractenglish	Focused ultrasound treatment is a non-invasive surgical intervention that improves motor effects in diseases such as Parkinson's, Dyskinesias, and Essential Tremor. This treatment induces a lesion in the Subthalamic Nucleus, requiring precise identification in the shortest possible time. A web-based tool is presented, allowing for autonomous segmentation of lesions within the Subthalamic Nucleus, based on the analysis and processing of magnetic resonance imaging (MRI) datain conjunction with deeplearning techniques. Thedeeplearningmodule usesthe Swin Transformers architecture as its backbone and is based on a Unet architecture, which was trained on a dataset of 4000 examples of T2-weighted enhanced images with 1mm slice spacing. The transformer-based proposal achieved segmentation of volumes of interest with a DICE coefficient of 0.80 and an Average Volume Distance (AVD) of 0.0019. These results were compared to other architectures, such as Compact Convolutional Transformer (CCT) and MobileViT, which did not perform at the level of the Swin Transformer architecture. The prototype module integrates the segmentation model with a web interface that allows users to upload an MRI, process it, and return an overlaid segmentation mask, in addition to providing a feedback mechanism for evaluation by administrative personnel