Publicación:
Visión artifical basada en aprendizaje profundo aplicada a la clasificación y segmentación de imágenes ecocardiográficas

Vista sencilla de ítem
dc.contributor.advisorPérez Martín, Jorge
dc.contributor.advisorFernández de Toro Espejel, Belén
dc.contributor.authorZubizarreta Iriarte, Xabier
dc.date.accessioned2024-10-28T12:54:02Z
dc.date.available2024-10-28T12:54:02Z
dc.date.issued2024-09
dc.description.abstractEn cardiología, la fracción de eyección es uno de los indicadores principales utilizados para detectar posibles casos de insuficiencia cardíaca. La fracción de eyección es una medida del porcentaje de sangre que sale del corazón cada vez que se comprime, y habitualmente se suele determinar para el ventrículo izquierdo. Aún hoy en día lo más frecuente es que, para el cálculo de la fracción de eyección, los especialistas (en este caso, cardiólogos) tengan que inspeccionar directamente los ecocardiogramas, anotar manualmente la fase del mismo y decidir cuál es la forma exacta del contorno del ventrículo izquierdo en los fotogramas que diluciden como de cambio de fase cardíaca. Dicha manera de proceder presenta diversos inconvenientes. Tres de los principales son el costo en tiempo, la falta de precisión, y la gran variabilidad en datos etiquetados por diferentes especialistas. Por todo ello la automatización de la detección del ciclo cardíaco y de la medida de la fracción de eyección representarían un gran avance. En este trabajo se utilizan modelos de aprendizaje profundo con arquitecturas convolucionales para las tareas de clasificación del ciclo cardíaco de cada fotograma, y para la detección (mediante una tarea de segmentación semántica) del contorno del ventrículo izquierdo. Se ha trabajado principalmente con el conjunto de datos EchoNet-Dynamic (Stanford, 2020). En este trabajo se prueban distintos modelos para la detección del ciclo cardíaco de cada fotograma en cortes longitud fija de los ecordiogramas. La exactitud media de los mejores modelos es de aproximadamente el 92 %. Utilizando los 2 mejores modelos como la parte codificadora, se entrena un V-Net para predecir la segmentación del ventrículo izquierdo. El coeficiente de Dice obtenido es mejor para el fin de sístole que de diástole. Sin embargo, el cálculo automatizado de la fracción de eyección no es satisfactorio debido a que una minoría apreciable de las máscaras predichas tienen satélites o extensiones, y también debido a la dificultad de automatizar una estimación estable y fiable del radio de revolución. Finalmente, se han bosquejado distintas estrategias para mejoras y extensiones del presente trabajo.es
dc.identifier.citationZubizarreta Iriarte, Xabier (2024) Visión artifical basada en aprendizaje profundo aplicada a la clasificación y segmentación de imágenes ecocardiográficas. Trabajo Fin de Máster. Universidad de Educación a Distancia (UNED)
dc.identifier.urihttps://hdl.handle.net/20.500.14468/24146
dc.language.isoes
dc.publisherUniversidad de Educación a Distancia (UNED)
dc.relation.centerE.T.S. de Ingeniería Informática
dc.relation.degreeMáster universitario en Ingeniería y Ciencia de Datos
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
dc.subject12 Matemáticas::1203 Ciencia de los ordenadores ::1203.17 Informática
dc.subject.keywordsecocardiogramaes
dc.subject.keywordssegmentaciónes
dc.subject.keywordsconvolucionales
dc.titleVisión artifical basada en aprendizaje profundo aplicada a la clasificación y segmentación de imágenes ecocardiográficases
dc.typetesis de maestríaes
dc.typemaster thesisen
dspace.entity.typePublication
Archivos
Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
ZubizarretaIriarte_Xabier_TFM.pdf
Tamaño:
4.89 MB
Formato:
Adobe Portable Document Format
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
3.62 KB
Formato:
Item-specific license agreed to upon submission
Descripción:
Descargar
Colecciones
Trabajos de fin de máster (TFM)