Cargando...
Fecha
2025-07
Editor/a
Director/a
Coordinador/a
Prologuista
Revisor/a
Ilustrador/a
Derechos de acceso
info:eu-repo/semantics/openAccess
Título de la revista
ISSN de la revista
Título del volumen
Editor
Citas
0 citas en 
0 citas en 
Resumen
El ictus isquémico es una de las principales causas de discapacidad y mortalidad, cuya detección y tratamiento precoz resultan fundamentales para mejorar el pronóstico. Este Trabajo Fin de Máster explora un enfoque alternativo para la segmentación automática del núcleo isquémico directamente a partir de imágenes de perfusión por tomografía computarizada (CTP) en bruto, sin depender de los mapas hemodinámicos derivados que introducen variabilidad y sesgos.
Para ello, se entrena una red neuronal basada en la arquitectura U-Net, evaluada sobre el conjunto de datos ISLES2018 tras un preprocesamiento que incluye normalización de intensidades, eliminación automática del cráneo y simetrización anatómica. El modelo PerfU-Net y sus variantes se comparan con un enfoque convencional basado en mapas (Maps-Net), tanto en 2D como en 3D, con un análisis
cuantitativo y cualitativo intra e inter-modelo. Aunque aún no se alcanzan niveles clínicamente óptimos, los resultados obtenidos respaldan el potencial de este enfoque como herramienta de asistencia en diagnóstico.
Ischemic stroke is one of the leading causes of disability and mortality, and its early mdetection and treatment are essential to improving patient outcomes. This Master’s Thesis explores an alternative approach for the automatic segmentation of the ischemic core directly from raw computed tomography perfusion (CTP) images, avoiding the reliance on derived hemodynamic maps that introduce variability and bias. To this end, a neural network based on the U-Net architecture is trained and evaluated on the ISLES2018 dataset, following a preprocessing pipeline that includes intensity normalization, automatic skull stripping, and anatomical symmetrization. The performance of the PerfU-Net model and its variants is compared to a conventional map-based approach (Maps-Net), both in 2D and 3D, through quantitative and qualitative intra- and inter-model analysis. Although clinically optimal performance has not yet been achieved, the results support the potential of this method as a diagnostic assistance tool.
Ischemic stroke is one of the leading causes of disability and mortality, and its early mdetection and treatment are essential to improving patient outcomes. This Master’s Thesis explores an alternative approach for the automatic segmentation of the ischemic core directly from raw computed tomography perfusion (CTP) images, avoiding the reliance on derived hemodynamic maps that introduce variability and bias. To this end, a neural network based on the U-Net architecture is trained and evaluated on the ISLES2018 dataset, following a preprocessing pipeline that includes intensity normalization, automatic skull stripping, and anatomical symmetrization. The performance of the PerfU-Net model and its variants is compared to a conventional map-based approach (Maps-Net), both in 2D and 3D, through quantitative and qualitative intra- and inter-model analysis. Although clinically optimal performance has not yet been achieved, the results support the potential of this method as a diagnostic assistance tool.
Descripción
Categorías UNESCO
Palabras clave
ictus isquémico, segmentación, tomografía computarizada de perfusión, U-Net, redes neuronales, ISLES2018, imagen médica, ischemic stroke, segmentation, computed tomography perfusion, U-Net, neural networks, ISLES2018, medical imaging
Citación
Victoria Rodríguez, Inés. Trabajo Fin de Máster: Segmentación de núcleo isquémico con imágenes de perfusión en bruto utilizando redes neuronales. Universidad Nacional de Educación a Distancia (UNED) 2025
Centro
Facultad de Ciencias
Departamento
Física Matemática y de Fluídos