La segmentación automática de estructuras anatómicas en imágenes médicas se ha convertido en un área clave dentro del campo de la inteligencia artificial aplicada a la medicina. Este Proyecto de Fin de Grado se centra en la segmentación de la aurícula izquierda en imágenes por resonancia magnética cardíaca, una tarea de gran relevancia clínica por su implicación en el diagnóstico y tratamiento de patologías como la fibrilación auricular.
Para abordar este problema, se han entrenado y comparado distintos modelos de segmentación 3D, evaluando su rendimiento mediante experimentación sistemática. Los modelos estudiados son los siguientes: UNet, AttentionUNet, SegResNet y DynUNet. Se ha puesto especial atención en aspectos como la estabilidad durante el entrenamiento, la capacidad de generalización y la calidad de las segmentaciones obtenidas, tanto a nivel cuantitativo como cualitativo.
El desarrollo del proyecto ha incluido un pipeline de entrenamiento, validación y análisis, con técnicas de regularización, parada temprana y evaluación continua mediante la métrica de Dice Coefficient. Los resultados obtenidos muestran que modelos como SegResNet alcanzan altos niveles de precisión, con valores de Dice superiores al 0.90, destacando su potencial en aplicaciones clínicas.
Este trabajo contribuye a la evaluación comparativa de arquitecturas de segmentación 3D en un contexto clínico específico, y sienta las bases para futuras líneas de investigación.
Abstract:
The automatic segmentation of anatomical structures in medical imaging has become a key area within the field of artificial intelligence applied to healthcare. This Bachelor’s Thesis focuses on the segmentation of the left atrium in cardiac magnetic resonance imaging (MRI), a task of high clinical relevance due to its role in the diagnosis and treatment of conditions such as atrial fibrillation.
To address this problem, several 3D segmentation models have been trained and compared, evaluating their performance through systematic experimentation. The models studied include UNet, AttentionUNet, SegResNet and DynUNet. Special attention has been given to training stability, generalization ability, and the quality of the resulting segmentations, both quantitatively and qualitatively.
The project development involved a complete pipeline for training, validation, and analysis, incorporating regularization techniques, early stopping, and continuous evaluation using the Dice Coefficient. The results show that models such as SegResNet achieve high levels of accuracy, with Dice values exceeding 0.90, highlighting their potential for clinical applications.
This work contributes to the comparative evaluation of 3D segmentation architectures in a specific clinical context and lays the groundwork for future research.
La segmentación automática de estructuras anatómicas en imágenes médicas se ha convertido en un área clave dentro del campo de la inteligencia artificial aplicada a la medicina. Este Proyecto de Fin de Grado se centra en la segmentación de la aurícula izquierda en imágenes por resonancia magnética cardíaca, una tarea de gran relevancia clínica por su implicación en el diagnóstico y tratamiento de patologías como la fibrilación auricular.
Para abordar este problema, se han entrenado y comparado distintos modelos de segmentación 3D, evaluando su rendimiento mediante experimentación sistemática. Los modelos estudiados son los siguientes: UNet, AttentionUNet, SegResNet y DynUNet. Se ha puesto especial atención en aspectos como la estabilidad durante el entrenamiento, la capacidad de generalización y la calidad de las segmentaciones obtenidas, tanto a nivel cuantitativo como cualitativo.
El desarrollo del proyecto ha incluido un pipeline de entrenamiento, validación y análisis, con técnicas de regularización, parada temprana y evaluación continua mediante la métrica de Dice Coefficient. Los resultados obtenidos muestran que modelos como SegResNet alcanzan altos niveles de precisión, con valores de Dice superiores al 0.90, destacando su potencial en aplicaciones clínicas.
Este trabajo contribuye a la evaluación comparativa de arquitecturas de segmentación 3D en un contexto clínico específico, y sienta las bases para futuras líneas de investigación.
Abstract:
The automatic segmentation of anatomical structures in medical imaging has become a key area within the field of artificial intelligence applied to healthcare. This Bachelor’s Thesis focuses on the segmentation of the left atrium in cardiac magnetic resonance imaging (MRI), a task of high clinical relevance due to its role in the diagnosis and treatment of conditions such as atrial fibrillation.
To address this problem, several 3D segmentation models have been trained and compared, evaluating their performance through systematic experimentation. The models studied include UNet, AttentionUNet, SegResNet and DynUNet. Special attention has been given to training stability, generalization ability, and the quality of the resulting segmentations, both quantitatively and qualitatively.
The project development involved a complete pipeline for training, validation, and analysis, incorporating regularization techniques, early stopping, and continuous evaluation using the Dice Coefficient. The results show that models such as SegResNet achieve high levels of accuracy, with Dice values exceeding 0.90, highlighting their potential for clinical applications.
This work contributes to the comparative evaluation of 3D segmentation architectures in a specific clinical context and lays the groundwork for future research. Read More
Related posts:
Machine learning models based on [18F]FDG PET radiomics for bone marrow assessment in Non-Hodgkin Lymphoma
Diffusion Model Based Brain Tumour Segmentation Enhanced With Inpainting Method
Segmentación semántica en cirugía laparoscópica con optimización para clases minoritarias
Diseño y desarrollo de un sistema para el seguimiento automático de células en imágenes microscópicas
Deep Learning aplicado a imagen médica. Segmentación imágenes de colecistectomía laparoscópica
Automatic Generation of Optimized Quantum Circuits for Real-world Machine Learning Applications