Contributions of artificial intelligence based image processing techniques to Multiparametric Magnetic Resonance Thoracoabdominal Imaging

Simple item page
dc.contributor.advisorVillanueva Larre, Arantxa
dc.contributor.advisorFernández Seara, María A.
dc.contributor.authorOyarzun Domeño, Anne
dc.contributor.departmentIngeniería Eléctrica, Electrónica y de Comunicaciónes_ES
dc.contributor.departmentIngeniaritza Elektriko eta Elektronikoaren eta Komunikazio Ingeniaritzareneu
dc.date.accessioned2025-02-25T09:05:07Z
dc.date.available2025-02-25T09:05:07Z
dc.date.issued2025
dc.date.submitted2025-02-21
dc.description.abstractEsta Tesis se centra en el desarrollo de un marco de procesado de imagen basado en aprendizaje profundo, específicamente diseñado para imágenes de tipo arterial spin labeling (ASL), cuyo carácter no invasivo resulta esencial para el estudio de perfusión en pacientes. Se ha abordado la falta de métodos de aprendizaje profundo dedicados al procesado de imágenes ASL, específicamente en imágenes renales y se ha demostrado la capacidad de dicho marco de adaptarse a otros dominios, como la imagen médica miocárdica. Los avances clave que aporta esta Tesis incluyen la implementación de técnicas de registro de imágenes, segmentación y generación de bases de datos sintéticos. Se ha introducido una adaptación de la arquitectura VoxelMorph para el registro de imágenes ASL en riñones. Además, se ha desarrollado un método de segmentación automática para riñones, corteza y médula, optimizando la estimación de la perfusión renal. Por otro lado, a través del uso de datos sintéticos generados mediante la arquitectura CycleGAN, se ha demostrado que los modelos entrenados con imágenes sintéticas pueden superar a aquellos entrenados con datos reales, enfatizando el valor de los datos sintéticos en la mejora de los modelos de segmentación y en la barrera que supone la escasez y privacidad de los datos clínicos. Asimismo, el marco de procesado de imagen desarrollado ha establecido un sistema totalmente automatizado para estimar los valores de perfusión renal. Para asegurar la adaptabilidad a otros dominios clínicos, se han explorado imágenes ASL de miocardio, y se ha presentado un método automático para la segmentación del miocardio en ASL, que proporciona una estimación del flujo sanguíneo miocárdico. En general, esta Tesis contribuye significativamente al campo de la imagen médica al abordar desafíos clave en el procesamiento de imágenes ASL en riñón y miocardio a través de técnicas basadas en aprendizaje profundo, mejorando las capacidades diagnósticas y sentando las bases para futuros avances en técnicas de imagen médica no invasiva.es_ES
dc.description.abstractThis Thesis focuses on the development of a deep learning (DL)-based image processing framework specifically designed for arterial spin labeling (ASL) images, whose non-invasive nature is attractive for studying perfusion in patients. The limited availability of DL-based methods specifically tailored for ASL image processing, particularly in renal imaging, has been addressed. Furthermore, the framework’s adaptability to other domains, such as myocardial imaging, has been successfully demonstrated. Key advances contributed by this Thesis include the implementation of image registration techniques, segmentation, and synthetic database generation. An adaptation of the VoxelMorph architecture has been introduced for ASL image registration in kidneys. Additionally, an automatic segmentation method has been developed for kidneys, cortex, and medulla, improving renal perfusion estimation. Moreover, using synthetic data generated through the CycleGAN architecture, it has been shown that models trained on synthetic images can outperform those trained on real data, highlighting the value of synthetic data in enhancing segmentation models and overcoming the challenges of clinical data scarcity and privacy. The developed image processing framework has also established a fully automated system to estimate renal perfusion values. To ensure adaptability to other clinical domains, myocardial ASL images are explored, and an automatic method for myocardial segmentation in ASL is presented, providing an estimate of myocardial blood flow. Overall, this Thesis makes significant contributions to the field of medical imaging by addressing key challenges in renal and myocardial ASL processing through DL, improving diagnostic capabilities, and laying the groundwork for future advances in non-invasive medical imaging techniques.en
dc.description.doctorateProgramPrograma de Doctorado en Tecnologías de las Comunicaciones, Bioingeniería y de las Energías Renovables (RD 99/2011)es_ES
dc.description.doctorateProgramBioingeniaritzako eta Komunikazioen eta Energia Berriztagarrien Teknologietako Doktoretza Programa Ofiziala (ED 99/2011)eu
dc.format.extent328 p.
dc.format.mimetypeapplication/pdfen
dc.identifier.doi10.48035/Tesis/2454/53557
dc.identifier.urihttps://academica-e.unavarra.es/handle/2454/53557
dc.language.isoeng
dc.relation.publisherversionhttps://doi.org/10.48035/Tesis/2454/53557
dc.rightsCreative Commons Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)
dc.rights.accessRightsinfo:eu-repo/semantics/openAccess
dc.rights.urihttps://creativecommons.org/licenses/by-nc-sa/4.0/deed.es/
dc.subjectProcesado de imagen basado en aprendizaje profundoes_ES
dc.subjectImágenes de tipo arterial spin labelinges_ES
dc.subjectGeneración de bases de datos sintéticoses_ES
dc.subjectArquitectura VoxelMorphes_ES
dc.subjectArquitectura CycleGANes_ES
dc.subjectRiñoneses_ES
dc.subjectMiocardioes_ES
dc.subjectDeep learning-based image processingen
dc.subjectArterial spin labeling imagesen
dc.subjectSynthetic database generationen
dc.subjectVoxelMorph architectureen
dc.subjectCycleGAN architectureen
dc.subjectKidneysen
dc.subjectMyocardiumen
dc.titleContributions of artificial intelligence based image processing techniques to Multiparametric Magnetic Resonance Thoracoabdominal Imagingen
dc.title.alternativeContribuciones de herramientas basadas en inteligencia artificial para Resonancia Magnética Multiparamétrica Toracoabdominales_ES
dc.typeinfo:eu-repo/semantics/doctoralThesis
dspace.entity.typePublication
relation.isAdvisorOfPublicationd3bfd5bf-8426-455b-bcc4-897ddb0d4c2e
relation.isAdvisorOfPublication.latestForDiscoveryd3bfd5bf-8426-455b-bcc4-897ddb0d4c2e
relation.isAuthorOfPublication30203248-e1f0-4fbf-8aad-0f4d45df299b
relation.isAuthorOfPublication.latestForDiscovery30203248-e1f0-4fbf-8aad-0f4d45df299b

Files

Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
Tesis Oyarzun_Domeño, Anne.pdf
Size:
162.07 MB
Format:
Adobe Portable Document Format
Download

Collections

Tesis doctorales DIEC - IEKS Doktoretza tesiak
Tesis doctorales - Doktoretza tesiak