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

Mostra el registre complet Registre parcial de l'ítem

• dc.contributor.author Torrents Barrena, Jordina
• dc.contributor.other González Ballester, Miguel Ángel
• dc.contributor.other Ceresa, Mario
• dc.contributor.other Universitat Pompeu Fabra. Departament de Tecnologies de la Informació i les Comunicacions
• dc.date.accessioned 2024-03-16T02:34:47Z
• dc.date.available 2024-03-16T02:34:47Z
• dc.date.issued 2019-12-19T10:08:45Z
• dc.date.issued 2021-12-08T01:00:20Z
• dc.date.issued 2019-12-09
• dc.date.modified 2024-03-15T10:58:04Z
• 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.description.abstract Programa de doctorat en Tecnologies de la Informació i les Comunicacions
• dc.format 185 p.
• dc.format application/pdf
• dc.format application/pdf
• dc.identifier http://hdl.handle.net/10803/668188
• dc.identifier.uri http://hdl.handle.net/10230/43225
• 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 http://creativecommons.org/licenses/by-nc-nd/4.0/
• dc.rights info:eu-repo/semantics/openAccess
• dc.source TDX (Tesis Doctorals en Xarxa)
• 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
• 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