dc.contributor
Universitat Rovira i Virgili. Departament d'Enginyeria Informàtica i Matemàtiques
dc.contributor.author
Singh, Vivek Kumar
dc.date.accessioned
2020-01-30T12:21:03Z
dc.date.available
2020-05-20T01:00:12Z
dc.date.issued
2019-11-22
dc.identifier.uri
http://hdl.handle.net/10803/668445
dc.description.abstract
L’objectiu principal d’aquesta tesi és crear un sistema CAD avançat per a qualsevol tipus
de modalitat d’imatge mèdica amb altes taxes de sensibilitat i especificitat basades en
tècniques d’aprenentatge profund. Més concretament, volem millorar el mètode automàtic de
detecció de les regions d’interès (ROI), que són àrees de la imatge que contenen
possibles teixits malalts, així com la segmentació de les troballes (delimitació de la
frontera) i, en definitiva, una predicció del diagnosi més adequat (classificació). En
aquesta tesi ens centrem en diversos camps, que inclouen mamografies i ecografies per
diagnosticar un càncer de mama, anàlisi de lesions de la pell en imatges dermoscòpiques i inspecció del fons de la retina per evitar la retinopatia diabètica.
dc.description.abstract
El objetivo principal de esta tesis es crear un sistema CAD avanzado para cualquier tipo
de modalidad de imagen médica con altas tasas de sensibilidad y especificidad basadas en
técnicas de aprendizaje profundo. Más concretamente, queremos mejorar el método
automático de detección de las regiones de interés (ROI), que son áreas de la imagen que
contienen posibles tejidos enfermos, así como la segmentación de los hallazgos
(delimitación de la frontera) y, en definitiva, una predicción del diagnóstico más
adecuado (clasificación). En esta tesis nos centramos en diversos campos, que incluyen
mamografías y ecografías para diagnosticar un cáncer de mama, análisis de lesiones de la
piel en imágenes dermoscòpiques y inspección del fondo de la retina para evitar la
retinopatía diabética
dc.description.abstract
The main aim of this thesis is to create an advanced CAD system for any type of medical
image modality with high sensitivity and specificity rates based on deep learning
techniques. More specifically, we want to improve the automatic method of detection of
Regions of Interest (ROI), which are areas of the image that contain possible ill
tissues, as well as segmentation of the findings (delimitation with a boundary), and
ultimately, a prediction of a most suitable diagnose (classification). In this thesis, we
focus on several topics including mammograms and ultrasound images to diagnose breast
cancer, skin lesions analysis in dermoscopic images and retinal fundus images examination
to avoid diabetic retinopathy.
dc.format.mimetype
application/pdf
dc.publisher
Universitat Rovira i Virgili
dc.rights.license
ADVERTIMENT. Tots els drets reservats. 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.
dc.source
TDX (Tesis Doctorals en Xarxa)
dc.subject
Segmentació i Classificació
dc.subject
Imatges Mèdiques Multimodal
dc.subject
Aprenentatge Adversari Gene
dc.subject
Segmentación y Clasificación
dc.subject
Imágenes Médicas Multimoda
dc.subject
Aprendizaje Adversario Gene
dc.subject
Segmentation and Classific
dc.subject
Multimodal medical images
dc.subject
Generative adversarial lear
dc.subject.other
Enginyeria i arquitectura
dc.title
Segmentation and classification of multimodal medical images based on generative adversarial learning and convolutional neural networks
dc.type
info:eu-repo/semantics/doctoralThesis
dc.type
info:eu-repo/semantics/publishedVersion
dc.contributor.director
Romaní Also, Santiago
dc.contributor.director
Puig, Domènec
dc.rights.accessLevel
info:eu-repo/semantics/openAccess