Deep-learning based prediction of clinical outcomes in FSHD patients from muscle ultrasound images acquired at multiple locations

Paz Arbaizar, Leire

Publication:
Deep-learning based prediction of clinical outcomes in FSHD patients from muscle ultrasound images acquired at multiple locations

dc.contributor.advisorTFE	Serrano Arriezu, Luis Javier
dc.contributor.advisorTFE	Meiburger, Kristen M.
dc.contributor.advisorTFE	Marzola, Franzesco
dc.contributor.affiliation	Escuela Técnica Superior de Ingeniería Industrial, Informática y de Telecomunicación	es_ES
dc.contributor.affiliation	Industria, Informatika eta Telekomunikazio Ingeniaritzako Goi Mailako Eskola Teknikoa	eu
dc.contributor.author	Paz Arbaizar, Leire
dc.date.accessioned	2022-11-14T07:43:44Z
dc.date.available	2022-11-14T07:43:44Z
dc.date.issued	2022
dc.date.updated	2022-11-11T13:09:48Z
dc.description.abstract	Este proyecto se centra en el diagnóstico de la distrofia muscular facioescapulohumeral (FSHD) a través de las características de imagen extraídas de imágenes de ultrasonografía muscular. En la primera parte de la memoria se revisa la etiología, los síntomas, el diagnóstico clínico y el tratamiento de la FSHD. También se describe la situación actual y la fiabilidad del diagnóstico por imagen, analizando especialmente la resonancia magnética y el ultrasonido como principales técnicas de imagen en el campo de los trastornos musculares. En el campo de imagen, se revisan las técnicas de segmentación de imagen, así como las posibilidades de procesado previo a la extracción de características. Del mismo modo, se hace un análisis de los avances en los métodos de aprendizaje automático para el diagnóstico de la FSHD. La primera parte del estudio consiste en la definición de los parámetros para la extracción de características y la selección de estas tras la extracción de las características radiómicas. Esta selección de rasgos se lleva a cabo mediante diferentes métodos, por lo que los distintos conjuntos de datos resultantes se comparan para encontrar la mejor combinación. En segundo lugar, los conjuntos de datos de características obtenidos se utilizan para predecir la puntuación de Heckmatt mediante diferentes métodos de aprendizaje automático. Posteriormente, se eligen y optimizan los mejores clasificadores, al mismo tiempo que se busca la mejor combinación de características. Por otro lado, se comprueba la predicción de otras puntuaciones de marcadores de riesgo de la FSHD. Para ello, se entrenan los modelos de regresión lineal y XGBoost con conjuntos de datos de características simples y múltiples, con el fin de averiguar el poder de predicción de las características y el mejor modelo capaz de predecir los datos clínicos de la FSHD. Con los resultados obtenidos, se puede llevar a cabo un análisis sobre si las características radiómicas obtenidas a partir de la ecografía muscular son precisas y eficaces para el diagnóstico de la FSHD. Este análisis puede determinar si la ecografía muscular es un soporte fiable para el diagnóstico de la FSHD, ayudando a objetivar y automatizar el diagnóstico clínico.	es_ES
dc.description.abstract	This project focuses on the FSHD clinical variables diagnosis through image features extracted from muscle ultrasound images. The first part of the memory reviews the FSHD aetiology, symptoms, clinical diagnosis and treatment. The actual situation and reliability of imaging diagnosis is also described, analysing especially MRI and US as the main imaging techniques in the muscular disorders field. As for the image processing prior to feature extraction, image segmentation techniques are revised, as well as the advances in machine learning methods for FSHD diagnosis. The first part of the study consists in the feature extraction customization and feature selection after extracting the radiomic characteristics. This feature selection is carried out by different methods, so the various resulting datasets are then compared to find the best combination. In the second place, the obtained feature datasets are used to predict the Heckmatt score through different machine learning methods. The best classifiers are chosen and optimized, at the same time as searching for the best feature combination. On the other hand, the prediction of various other clinical outcomes for FSHD is tested. To do so, linear regression and XGBoost models are trained with both single features and multi-feature datasets as to find out the predictive power of the features and the best model capable of predicting FSHD clinical data. With the obtained results, an analysis on whether radiomic features obtained from muscle US are accurate and effective for FSHD diagnosis can be carried out. This analysis can determine if muscle ultrasound is a reliable support for FHSD diagnosis, helping to objectivise and automatize the clinical diagnosis.	en
dc.description.degree	Graduado o Graduada en Ingeniería Biomédica por la Universidad Pública de Navarra	es_ES
dc.description.degree	Ingeniaritza Biomedikoan Graduatua Nafarroako Unibertsitate Publikoan	eu
dc.format.mimetype	application/pdf	en
dc.identifier.uri	https://academica-e.unavarra.es/handle/2454/44321
dc.language.iso	eng	en
dc.rights.accessRights	Acceso abierto / Sarbide irekia	es
dc.rights.accessRights	info:eu-repo/semantics/openAccess	en
dc.subject	Distrofia muscular facioescapulohumeral	es
dc.subject	Ultrasonografía muscular	es
dc.subject	Resonancia magnética	es
dc.subject	Ultrasonido	es
dc.subject	Regresión lineal	es
dc.subject	XGBoost	es
dc.subject	Facioscapulohumeral muscular dystrophy	en
dc.subject	Muscle ultrasonography	en
dc.subject	Magnetic resonance	en
dc.subject	Ultrasound	en
dc.subject	Linear regression	en
dc.subject	XGBoost	en
dc.title	Deep-learning based prediction of clinical outcomes in FSHD patients from muscle ultrasound images acquired at multiple locations	en
dc.type	Trabajo Fin de Grado/Gradu Amaierako Lana	es
dc.type	info:eu-repo/semantics/bachelorThesis	en
dspace.entity.type	Publication