Comparación de métodos de registro 3D NM-MRI cerebral: VoxelMorph versus Elastix en la enfermedad de Parkinson
| dc.contributor.advisorTFE | Ariz Galilea, Mikel | |
| dc.contributor.advisorTFE | Oyarzun Domeño, Anne | |
| 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 | Ahdadi, Asmae | |
| dc.date.accessioned | 2025-10-10T07:50:37Z | |
| dc.date.available | 2025-10-10T07:50:37Z | |
| dc.date.issued | 2025 | |
| dc.date.updated | 2025-10-10T07:15:40Z | |
| dc.description.abstract | La Enfermedad de Parkinson (EP) es un trastorno neurodegenerativo progresivo que afecta principalmente a estructuras profundas del tronco encefálico, como el Locus Coeruleus (LC) y la Sustancia Negra Compacta (SNc). La segmentación y el registro precisos de estas regiones en imágenes de Neuromelanin-sensitive Magnetic Resonance Imaging (Imagen por Resonancia Magnética sensible a neuromelanina) (NM-MRI) son fundamentales para la identificación de biomarcadores y el seguimiento clínico de la enfermedad. Este trabajo compara dos métodos de registro deformable: el enfoque clásico basado en B-spline (B-spline) y el método de aprendizaje profundo VoxelMorph (VoxelMorph). Se evalúa su desempeño en términos de precisión anatómica, eficiencia computacional y robustez en estructuras pequeñas de interés clínico. Se procesaron 31 imágenes NM-MRI 3D, aplicando un registro afín inicial como referencia, seguido de registros no lineales con B-spline y VoxelMorph. Se realizaron segmentaciones de LC y SNc, evaluando métricas como el coeficiente Coeficiente de Dice (Dice), la distancia de Distancia de Hausdorff (Hausdorff), la Normalized Cross-Correlation (Correlación Cruzada Normalizada) (NCC) y el índice de similitud estructural (Structural Similarity Index (Índice de Similitud Estructural) (SSIM)). También se analizó el tiempo de cómputo y la escalabilidad de cada método. Los resultados indican que B-spline ofrece mayor precisión y consistencia en la alineación de regiones pequeñas y complejas, aunque con un mayor coste computacional. VoxelMorph destaca por su rapidez y potencial para procesamiento a gran escala, pero presenta mayor variabilidad, posiblemente debido al tamaño limitado del conjunto de entrenamiento. Se proponen futuras líneas de trabajo orientadas al aumento del conjunto de datos, técnicas avanzadas de aumento y optimización de modelos de segmentación automática, así como su validación clínica. | es_ES |
| dc.description.abstract | Parkinson’s disease (PD) is a progressive neurodegenerative disorder that primarily affects deep brainstem structures, such as the locus coeruleus (LC) and substantia nigra pars compacta (SNc). Accurate registration and segmentation of these regions in high-resolution NM-MRI are essential for identifying reliable biomarkers and enabling longitudinal monitoring in both clinical and research contexts. This work compares two deformable registration methods: classical B-spline and deep learning-based VoxelMorph, evaluating their performance in terms of anatomical accuracy, computational efficiency, and robustness for small, clinically relevant structures. A dataset of 31 high-resolution 3D NM-MRI scans was processed. An initial affine registration served as a reference, followed by non-linear registration using B-spline and VoxelMorph. Segmentation of LC and SNc was performed, and evaluation metrics included Dice coefficient, Hausdorff distance, normalized cross-correlation (NCC), and structural similarity index (SSIM). Computational time and scalability were also assessed. Results indicate that B-spline achieves the highest anatomical accuracy and consistency in aligning small and complex regions, albeit with higher computational cost. VoxelMorph offers rapid processing and scalability, making it suitable for large-scale applications, though it showed greater variability, likely due to the limited training dataset. Both methods present distinct advantages depending on clinical and technical requirements. Future work will focus on expanding the dataset, implementing advanced augmentation and segmentation strategies, and validating these approaches in broader clinical settings. | en |
| dc.description.degree | Máster Universitario en Ingeniería Biomédica por la Universidad Pública de Navarra | es_ES |
| dc.description.degree | Ingeniaritza Biomedikoko Unibertsitate Masterra Nafarroako Unibertsitate Publikoan | eu |
| dc.format.mimetype | application/pdf | |
| dc.identifier.uri | https://academica-e.unavarra.es/handle/2454/55248 | |
| dc.language.iso | spa | |
| dc.rights.accessRights | info:eu-repo/semantics/openAccess | |
| dc.subject | EP | es_ES |
| dc.subject | Tronco encefálico | es_ES |
| dc.subject | NM-MRI | es_ES |
| dc.subject | Registro deformable | es_ES |
| dc.subject | B-spline | es_ES |
| dc.subject | VoxelMorph | es_ES |
| dc.subject | Aprendizaje profundo | es_ES |
| dc.subject | Segmentación | es_ES |
| dc.subject | Eficiencia computacional | es_ES |
| dc.subject | Parkinson’s disease | en |
| dc.subject | Brainstem | en |
| dc.subject | NM-MRI | en |
| dc.subject | Deformable registration | en |
| dc.subject | B-spline | en |
| dc.subject | VoxelMorph | en |
| dc.subject | Deep learning | en |
| dc.subject | Segmentation | en |
| dc.subject | Computational efficiency | en |
| dc.title | Comparación de métodos de registro 3D NM-MRI cerebral: VoxelMorph versus Elastix en la enfermedad de Parkinson | es_ES |
| dc.type | info:eu-repo/semantics/masterThesis | |
| dspace.entity.type | Publication | |
| relation.isAdvisorTFEOfPublication | 9d2b9c4c-9ede-4367-9ad9-8987addfbff6 | |
| relation.isAdvisorTFEOfPublication | 30203248-e1f0-4fbf-8aad-0f4d45df299b | |
| relation.isAdvisorTFEOfPublication.latestForDiscovery | 9d2b9c4c-9ede-4367-9ad9-8987addfbff6 |