Welcome to the UPF Digital Repository

Deep learning -based segmentation methods for computer-assisted fetal surgery

Show simple item record

dc.contributor.author Torrents Barrena, Jordina
dc.contributor.other González Ballester, Miguel Ángel, 1973-
dc.contributor.other Ceresa, Mario
dc.contributor.other Universitat Pompeu Fabra. Departament de Tecnologies de la Informació i les Comunicacions
dc.date.accessioned 2021-12-09T02:29:28Z
dc.date.available 2021-12-09T02:29:28Z
dc.date.issued 2019-12-09
dc.identifier http://hdl.handle.net/10803/668188
dc.identifier.uri http://hdl.handle.net/10230/43225
dc.description.abstract This thesis focuses on the development of deep learning-based image processing techniques for the detection and segmentation of fetal structures in magnetic resonance imaging (MRI) and 3D ultrasound (US) images of singleton and twin pregnancies. Special attention is laid on monochorionic twins affected by the twin-to-twin transfusion syndrome (TTTS). In this context, we propose the first TTTS fetal surgery planning and simulation platform. Different approaches are utilized to automatically segment the mother’s soft tissue, uterus, placenta, its peripheral blood vessels, and umbilical cord from multiple (axial, sagittal and coronal) MRI views or a super-resolution reconstruction. (Conditional) generative adversarial networks (GANs) are used for segmentation of fetal structures from (3D) US and the umbilical cord insertion is localized from color Doppler US. Finally, we present a comparative study of deep-learning approaches and Radiomics over the segmentation performance of several fetal and maternal anatomies in both MRI and 3D US.
dc.description.abstract Aquesta tesi comprèn el desenvolupament de tècniques de processament d’imatge basades en aprenentatge profund per a la detecció i segmentació d’estructures fetals en imatges de ressonància magnètica (RM) i ultrasò (US) tridimensional d’embarassos normals i de bessons. S’ha fet especial èmfasi en el cas de bessons monocoriònics afectats per la síndrome de transfusió feto fetal (STFF). En aquest context es proposa la primera plataforma de planificació i simulació quirúrgica orientada a STFF. S’han utilitzat diferents mètodes per segmentar automàticament el teixit de la mare, l’úter, la placenta, els seus vasos perifèrics i el cordó umbilical a partir de les diferents vistes en RM o a partir d’un volum en super-resolució. S’han utilitzat xarxes generatives antagòniques (condicionals) per a la segmentació d’estructures en imatges d’US tridimensionals i s’ha localitzat la inserció del cordó a partir d’US Doppler. Finalment, es presenta un estudi comparatiu de les metodologies d’aprenentatge profund i Radiomics.
dc.format application/pdf
dc.format 185 p.
dc.language.iso eng
dc.publisher Universitat Pompeu Fabra
dc.rights L'accés als continguts d'aquesta tesi queda condicionat a l'acceptació de les condicions d'ús establertes per la següent llicència Creative Commons: http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights info:eu-repo/semantics/openAccess
dc.source TDX (Tesis Doctorals en Xarxa)
dc.title Deep learning -based segmentation methods for computer-assisted fetal surgery
dc.type info:eu-repo/semantics/doctoralThesis
dc.type info:eu-repo/semantics/publishedVersion
dc.date.modified 2021-12-08T01:00:20Z
dc.subject.keyword Fetal surgery
dc.subject.keyword Deep learning
dc.subject.keyword Segmentation
dc.subject.keyword Computer vision
dc.subject.keyword Magnetic resonance imaging
dc.subject.keyword Ultrasound
dc.subject.keyword Planning and guidance
dc.subject.keyword Cirurgia fetal
dc.subject.keyword Aprenentatge profund
dc.subject.keyword Segmentació
dc.subject.keyword Visió per computador
dc.subject.keyword Ressonància magnètica
dc.subject.keyword Ultrasò
dc.subject.keyword Planificació i guiatge
dc.subject.keyword 62


Files in this item

Files Size Format View

There are no files associated with this item.

This item appears in the following Collection(s)

Show simple item record

Search DSpace


Advanced Search

Browse

My Account

Statistics

Compliant to Partaking