Universitat Pompeu Fabra
Frangi Caregnato, Alejandro
Lekadir, Karim
Figueras, Rosa M.
2017-04-21
147 p.
Universitat Pompeu Fabra. Departament de Tecnologies de la Informació i les Comunicacions
La pràctica clínica i la investigació generen grans quantitats de registres mèdics, incloent-hi imatges. No obstant això, molta informació que podria millorar l'assistència sanitària continua sent inaccessible. Es necessiten noves eines per processar dades a gran escala que tinguin en compte la variabilitat en l'anatomia i la fisiopatologia. En aquesta tesi, es presenten nous procediments per al tractament automàtic i eficient de dades mèdiques a gran escala, concretament en la segmentació d'imatges cardíaques de ressonància magnètica (RM). Les principals aportacions d'aquesta tesi permeten la segmentació automàtica (i) de múltiples seqüències de RM sense necessitat d'ajustar cap paràmetre, (ii) de casos altament variables sense un coneixement previ de la patologia involucrada, i (iii) incorporant la detecció automàtica i un control de qualitat sense necessitat de cap intervenció per part de l'usuari. Totes aquestes tècniques s’han avaluat utilitzant múltiples cohorts a gran escala de diferents centres clínics i bases de dades públiques.
Clinical practice and research are routinely generating large amounts of medical records, including medical images. However, valuable knowledge that could impact healthcare delivery remains currently frozen in these population cohorts. New tools are therefore necessary to process and exploit such large-scale data, taking into account in particular the unprecedented variability in anatomy and pathophysiology. In this thesis, we present new approaches for the automatic and robust processing of large-scale medical image data, focusing on the challenging segmentation of cardiac magnetic resonance images (MRI) studies. The main contributions of this thesis allow automatic segmentation (i) across multiple MRI sequences without the need for sequence-specific parameter tuning, (ii) across highly variable cases without a priori knowledge of the involved pathology, and (iii) incorporating automatic detection and quality control without the need for any user interaction. All of these techniques are demonstrated over multiple large-scale cohorts from different clinical centers and public databases.
Imatge mèdica; Imatges per ressonància magnètica; Estudis a gran escala; Segmentació cardíaca; Models estadístics de forma; Anàlisi automàtica de la imatge; Segmentació amb talls de gràfics; Medical imaging; Magnetic resonance imaging; Large-scale studies; Cardiac segmentation; Statistical shape models; Automatic image parsing; Segmentation with graph cuts
62 - Engineering
ADVERTIMENT. L'accés als continguts d'aquesta tesi doctoral i la seva utilització ha de respectar els drets de la persona autora. Pot ser utilitzada per a consulta o estudi personal, així com en activitats o materials d'investigació i docència en els termes establerts a l'art. 32 del Text Refós de la Llei de Propietat Intel·lectual (RDL 1/1996). Per altres utilitzacions es requereix l'autorització prèvia i expressa de la persona autora. En qualsevol cas, en la utilització dels seus continguts caldrà indicar de forma clara el nom i cognoms de la persona autora i el títol de la tesi doctoral. No s'autoritza la seva reproducció o altres formes d'explotació efectuades amb finalitats de lucre ni la seva comunicació pública des d'un lloc aliè al servei TDX. Tampoc s'autoritza la presentació del seu contingut en una finestra o marc aliè a TDX (framing). Aquesta reserva de drets afecta tant als continguts de la tesi com als seus resums i índexs.
