Search

La implantació de stents és una tècnica molt popular en la medicina contemporània. Aquests, amb el pas del temps, pateixen degradació, trencaments o reestenosi afectant així al flux sanguini i incrementant el risc de infart. Actualment, la tècnica utilitzada per controlar l’estat de stents implantats és mitjançant un cateterisme, una tècnica altament invasiva i amb un gran cost econòmic per a la sanitat pública. Per aquests dos motius, i per la aparent falta de necessitat ja que sovint no presenta símptomes fins que succeix un nou infart, son escasses les vegades que es porta a terme. L’empresa NIMBLE, està treballant en el desenvolupament d’un dispositiu que mitjançant les microones i amb la lectura de ressonàncies pugui llegir de manera molt precisa el flux momentani d’un stent així com el seu estat de degradació. El èxit en aquesta tècnica suposaria un gran avenç en el diagnòstic de la reestenosi, ja que esdevindria una tècnica no invasiva i preventiva per al seguiment de pacients prèviament implantats amb stents. Per altra banda, el seu baix cost econòmic en comparació als cateterismes esdevindria un estalvi econòmic per a la sanitat pública. Aquest TFG es centra en la recerca d’un material per omplir les cavitats de les antenes on es troben els emissors i receptors de microones del dispositiu. Aquest material té com objectiu esser un medi continu i homogeni que serveixi a les ones viatjar de l'emissor fins al teixit humà i viceversa evitant en tot moment refraccions y reflexions en el canvi de medi. La implantación de stents es una técnica muy popular en la medicina contemporánea. Estos, con el paso del tiempo, sufren degradación, roturas o reestenosis afectando así al flujo sanguíneo e incrementando el riesgo de infarto. Actualmente, la técnica utilizada para controlar el estado de stents implantados es mediante un cateterismo, una técnica altamente invasiva y con gran coste económico para la sanidad pública. Por estos dos motivos, y por la aparente falta de necesidad ya que a menudo no presenta síntomas hasta que ocurre un nuevo infarto, son escasas las veces que se lleva a cabo. La empresa NIMBLE, está trabajando en el desarrollo de un dispositivo que mediante microondas y la lectura de resonancias pueda leer de forma muy precisa el flujo momentáneo de un stent así como su estado de degradación. El éxito en esta técnica supondría un gran avance en el diagnóstico de la reestenosis, ya que se convertiría en una técnica no invasiva y preventiva para el seguimiento de pacientes previamente implantados con stents. Por otro lado, su bajo coste económico en comparación con los cateterismos se convertiría en un ahorro económico para la sanidad pública. Este TFG se centra en la búsqueda de un material para llenar las cavidades de las antenas en las que se encuentran los emisores y receptores de microondas del dispositivo. Este material tiene como objetivo ser un medio continuo y homogéneo que sirva a las ondas viajar del emisor hasta el tejido humano y viceversa evitando en todo momento refracciones y reflexiones en el cambio de medio. Stent implantation is a very popular technique in contemporary medicine. These, over time, suffer degradation, breaks or restenosis, thus affecting blood flow and increasing the risk of heart attack. Currently, the technique used to control the status of implanted stents is through catheterization, a highly invasive technique with great economic cost for public health. For these two reasons, and due to the apparent lack of need, since it often does not present symptoms until a new heart attack occurs, it is rarely carried out. The NIMBLE company is working on the development of a device that, using microwaves and resonance reading, can very accurately read the momentary flow of a stent as well as its state of degradation. Success in this technique would mean a great advance in the diagnosis of restenosis, since it would become a non-invasive and preventive technique for monitoring patients previously implanted with stents. On the other hand, its low economic cost in comparison with catheterizations would become an economic saving for public health. This TFG focuses on the search for a material to fill the cavities of the antennas in which the microwave emitters and receivers of the device are located. The objective of this material is to be a continuous and homogeneous medium that allows the waves to travel from the emitter to the human tissue and vice versa, avoiding at all times refractions and reflections in the change of medium.

According to data, breast cancer is a significant health issue and has a considerable economic impact. This clearly justifies the need for breast cancer screening. However, the current diagnostic process used in clinical settings is prone to errors. Consequently, there is a requirement for a tool that can help doctors categorize mammograms into the four BI-RADS categories. This study presents an approach that uses deep learning. It examines the challenges and difficulties encountered and evaluates and compares its effectiveness. One dataset of mammograms was used, with experts having already classified the radiological images using the BI-RADS guidelines. The images in these datasets belong to categories 1 to 4. The deep learning approach employed in this study is based on a Convolutional Neural Network (CNN), namely a ResNet22. The propose is to use two inputs, one for the Cranio-Caudal (CC) view and another for the Medio-Lateral Oblique (MLO) view. Each input comprises a mammogram image and two heatmaps. Consequently, we have named the architecture MammoHeatNet (MHN). The algorithm initially processes the mammogram image by cropping it, extracting optimal centers, and obtaining the heatmaps. Once the pre-processing is complete, the inputs are fed into the model, which then classifies them into four BI-RADS categories. To obtain the best model, various parameter configurations have been tested. The ultimate model attained a maximum accuracy of 74.19%. The process of training and testing the model was time-intensive, requiring 150 hours to obtain the best possible model. In conclusion, the deep learning model used in this study achieve good performance. However, with the incorporation of a larger dataset for train it and various modifications to the model, even better results could be achieved. The main contribution of this work is the implementation of a deep neuronal network that process the images like a human specialist would do it, using to views of the same mammogram. Segons les dades, el càncer de mama és un important problema de salut i té un considerable impacte econòmic. Això justifica clarament la necessitat de realitzar revisions de càncer de mama. No obstant, el procés diagnòstic actual utilitzat en entorns clínics té tendència a cometre errors. En conseqüència, és necessari disposar d'una eina que pugui ajudar els metges a classificar les mamografies en les quatre categories BI-RADS. Aquest estudi presenta una enfocament que utilitza el "deep learning". S'examinen els desafiaments i dificultats trobades, i s'avalua i compara la seva eficàcia. S'utilitza un conjunt de dades de mamografies, amb experts que ja han classificat les imatges radiològiques utilitzant les directrius BI-RADS. Les imatges d'aquests conjunts de dades pertanyen a les categories 1 a 4. L’algoritme de "deep learning" utilitzat en aquest estudi es basa en una Xarxa Neuronal Convolucional (CNN), concretament un ResNet22. La proposta és utilitzar dues entrades, una per a la vista Cranio-Caudal (CC) i una altra per a la vista Medio-Lateral Oblique (MLO). Cada entrada comprèn una imatge de mamografia i dues "heatmaps". Per tant, s'ha nomenat a l'arquitectura MammoHeatNet (MHN). L'algoritme processa inicialment la imatge de mamografia, retallant-la, extraient centres òptims i obtenint les "heatmaps". Una vegada que el pre-processament està complet, les entrades es duen al model, que les classifica en les quatre categories BI-RADS. Per obtenir el millor model, s'han provat diverses configuracions de paràmetres. El model final assolit va obtenir una precisió màxima del 74.19%. El procés d'entrenament i prova del model va requerir molt de temps, amb un total de 150 hores per obtenir el millor model possible. En conclusió, el model de "deep learning" utilitzat en aquest estudi aconsegueix un bon rendiment. No obstant, amb la incorporació d'un conjunt de dades més gran per a l'entrenament i diverses modificacions al model, es podrien obtenir resultats encara millors. La principal contribució d'aquest treball és la implementació d'una xarxa neuronal profunda que processa les imatges com ho faria un especialista humà, utilitzant dues vistes de la mateixa mamografia. Según los datos, el cáncer de mama es un problema de salud significativo y tiene un impacto económico considerable. Esto justifica claramente la necesidad de realizar revisiones de cáncer de mama. Sin embargo, el proceso diagnóstico actual utilizado en entornos clínicos tiende a cometer errores. En consecuencia, es necesario disponer de una herramienta que pueda ayudar a los médicos a clasificar las mamografías en las cuatro categorías BI-RADS. Este estudio presenta un enfoque que utiliza el "deep learning". Se examinan los desafíos y dificultades encontradas, y se evalúa y compara su eficacia. Se utiliza un conjunto de datos de mamografías, con expertos que ya han clasificado las imágenes radiológicas utilizando las directrices BI-RADS. Las imágenes de estos conjuntos de datos pertenecen a las categorías 1 a 4. El algoritmo de "deep learning" empleado en este estudio se basa en una Red Neuronal Convolucional (CNN), concretamente un ResNet22. La propuesta es utilizar dos entradas, una para la vista Cranio-Caudal (CC) y otra para la vista Medio-Lateral Oblicua (MLO). Cada entrada comprende una imagen de mamografía y dos "heatmaps". Por tanto, se ha nombrado a la arquitectura MammoHeatNet (MHN). El algoritmo procesa inicialmente la imagen de mamografía, recortándola, extrayendo centros óptimos y obteniendo las "heatmaps". Una vez que el preprocesamiento está completo, las entradas se entran al modelo, que las clasifica en las cuatro categorías BI-RADS. Para obtener el mejor modelo, se han probado varias configuraciones de parámetros. El modelo final alcanzó una precisión máxima del 74,19%. El proceso de entrenamiento y prueba del modelo requirió mucho tiempo, con un total de 150 horas para obtener el mejor modelo posible. En conclusión, el modelo de "deep learning" utilizado en este estudio logra un buen rendimiento. Sin embargo, con la incorporación de un conjunto de datos más grande para el entrenamiento y diversas modificaciones al modelo, se podrían obtener resultados aún mejores. La principal contribución de este trabajo es la implementación de una red neuronal profunda que procesa las imágenes como lo haría un especialista humano, utilizando dos vistas de la misma mamografía.

Les Malformacions Arteriovenoses cerebrals (MAVs) són considerades la principal causa d’hemorràgia cerebral en pacients pediàtrics. Per tal d’avaluar l’efectivitat del tractament de les MAVs cerebrals, diverses tècniques d’imatge mèdica no invasives han sigut proposades, incloent seqüències com la la pseudo-continuous Spin Labelling (ASL). L’obliteració total de una MAV tarda habitualment un període de dos anys, pel que és necessari un seguiment del o la pacient, sent així d’alta importància que les tècniques d’imatge siguin el menys invasives possible, requerint per tant, que siguin estudiades les alternatives no invasives. Per tal d’avaluar la resposta al tractament de les MAVs, és crucial identificar les zones del cervell específiques que participen de l’activitat d’aquestes, per així poder obtenir informació sobre la condició de la malformació i estudiar l’eficàcia del tractament. Per aquesta raó, s’ha dissenyat i implementat un algoritme de segmentació en forma d’aplicació web que ha sigut validat per tal de crear un "ground-truth atlas" del procés de segmentació. Las Malformaciones Arteriovenosas cerebrales (MAVs) son consideradas la principal causa de hemorragia intracraneal en pacientes pediátricos. Para evaluar la efectividad de los tratamientos de las MAVs cerebrales, han sido propuestas varias técnicas de imagen no invasivas, incluyendo secuencias como la pseudo-continuous Spin Labelling (ASL). La obliteración total de una MAV suele tardar unos dos años, por lo que es necesario un seguimiento del paciente, siendo así de alta importancia que las técnicas de imagen sean lo menos invasivas posible, requiriendo el estudio de alternativas no invasivas. Para evaluar la respuesta que tienen las MAVs al tratamiento, es crucial identificar las zonas específicas del cerebro que participan de la actividad de estas, para poder así obtener información sobre la condición de la malformación y de este modo estudiar la eficacia del tratamiento. Por consiguiente, un algoritmo de segmentación implementado en forma de aplicación web ha sido diseñado, desarrollado y validado para crear un "ground-truth atlas" del proceso de segmentación. Cerebral Arteriovenous Malformations (AVMs) are considered the primary cause of paediatric intracranial haemorrhage. To evaluate the effectiveness of cerebral AVMs treatment, various non-invasive imaging techniques have been suggested, including the pseudo-continuous Arterial Spin-Labelling (ASL) sequence. Since the complete obliteration of AVMs may take up to two years, a subsequent follow-up is necessary. Hence, it is imperative to investigate non-invasive imaging techniques to minimize the invasiveness of the diagnostic process. To evaluate the response to treatment of Brain Arteriovenous Malformations, it is crucial to identify the specific brain regions that provide information on the AVM's condition and study them to assess the treatment's performance. Accordingly, a segmentation algorithm in the form of a web application has been designed, developed, and validated to create a "ground-truth atlas" from the segmentation process.

És ben conegut que moltes malalties afecten la morfologia dels vasos sanguinis, pel que és essencial que els metges els estudiïn. Per a un anàlisi més precís, paràmetres quantitatius dels vasos es poden obtenir directament de les imatges mèdiques, encara que avui en dia l'avaluació qualitativa per part d'experts es segueix considerant el mètode estàndard. El principal objectiu d'aquest projecte és recopilar les mètriques existents encaminades a obtenir la tortuositat dels vasos (atribut que defineix la torsió o flexió excessiva de la vascularitat), amb l’objectiu de promoure l'estudi d'índexs quantitatius per que puguin ser aplicats en un futur proper en l’àmbit mèdic. També es presenten índexs basats en altres tipus de característiques dels vasos per comprendre la importància actual de la tortuositat. Per aquest motiu s'ha realitzat un resum de les mètriques dels vasos de la literatura recent. S'han detallat els índexs, classificats per tipus d'atribut (mida, tortuositat i d’altres) i ordenat de més antic a més actual. Tot això, ha permès definir les similituds i les diferències a més de mostrar l'evolució dels índexs de la quantificació de vasos sanguinis. Es destaca que la tortuositat és l'atribut més important ja que la majoria d’articles d'investigació recollits se centren en aquesta propietat, és per això que es posen en rellevància les propietats essencials que haurien de tenir un índex de tortuositat ideal. En resum, les mètriques quantitatives semblen tenir un enorme potencial per diagnosticar de forma correcta patologies, però encara necessiten més investigació si es volen implementar com una eina mèdica. Aquesta revisió pretén ser un punt de partida on es reuneix tot el coneixement actual sobre aquestes mètriques per a poder millorar la futura investigació. Se sabe que muchas enfermedades afectan la morfología de los vasos sanguíneos, por lo que es esencial que los médicos las estudien. Para un análisis más preciso, los parámetros cuantitativos de los vasos se pueden extraer directamente de las imágenes médicas, aunque hoy en día la evaluación cualitativa por parte de expertos se sigue considerando el método estándar. El principal objetivo de este proyecto es recopilar las métricas existentes encaminadas a obtener la tortuosidad del vaso (atributo que define la torsión o flexión excesiva de la vascularidad), con el fin de promover el estudio de índices cuantitativos para que puedan ser aplicados en un futuro próximo en el campo médico. También se presentan índices basados en otro tipo de características de los vasos para comprender la importancia que tiene la tortuosidad actualmente. Para ello, se ha realizado un resumen de las métricas de los vasos de la literatura reciente. Se han detallado los índices, clasificados por tipo de atributo (tamaño, tortuosidad u otros) y ordenado de más antiguo a más actual. Todo ello, permite definir las similitudes y diferencias además de mostrar la evolución de los índices de la cuantificación de vasos sanguíneos. Se destaca que la tortuosidad es el atributo más importante ya que la mayoría de los artículos de investigación recogidos se centran en esta propiedad, por ello se ponen en relevancia las propiedades esenciales que debería tener un índice de tortuosidad ideal. En resumen, las métricas cuantitativas parecen tener un enorme potencial para diagnosticar correctamente patologías, pero aún se necesita más investigación si se quiere implementar como una herramienta m Many diseases are known to affect the morphology of blood vessels, making it essential for clinicians to study them. For a more precise analysis, quantitative parameters of vessels can be extracted from imaging, although nowadays qualitative evaluation by experts remains as the gold standard. The main focus of this project is to collect existing metrics aimed at obtaining vessel tortuosity (attribute that defines excessive torsion or bending of vascularity) in order to promote the study of quantitative indices to be applied in a near future in the medical field. To better understand the importance of tortuosity, other types of vessel characteristic indices are also presented. A summary of the vessel metrics of the recent literature has been carried out. Indexes have been detailed, classified by type of attribute (size, tortuosity or others) and sorted from oldest to current. All this makes it easier to define the similarities and differences between them and allows seeing the evolution of the vessel quantification indices. Vessel diameter, Distance Factor Metric (DFM), Tortuosity index (τ_3), Curve standard deviation (Ksd), Sum of Angles Metric (SOAM), Tortuosity Coefficient (TC) and Tortuosity density (t) are considered to be the most relevant metrics included in this review. It is noted that tortuosity is the most important vessel attribute as most of the research is focused on this property, therefore, the essential properties that an ideal tortuosity index should have are highlighted. To sum up, quantitative metrics seem to have an enormous potential to correctly diagnose pathologies, but there is still a need for more research if they want to be implemented as a medical tool. This review aims to be a starting point where all current knowledge regarding these metrics is brought together in order to enhance research.

El càncer d'ossos va ser la tercera causa de mort per càncer pediàtrica el 2016, sent osteosarcoma i sarcoma d'Ewing els dos sarcomes ossis pediàtrics més comuns. Les taxes de supervivència varien substancialment no només segons el tipus de càncer i la localització, sinó també per l'edat en el moment del diagnòstic, per la qual cosa el diagnòstic precoç és crucial per a un millor pronòstic. La ressonància magnètica nuclear (RMN) és la modalitat d'imatge per excel·lència per a l'avaluació de tumors ossis i teixits tous. No obstant això, reconèixer les característiques d'imatge dels tumors ossis malignes és una tasca molesta, en part a causa de les similituds entre els tumors benignes i malignes que poden conduir a un diagnòstic erroni. L'objectiu d'aquest projecte és fer una revisió literària dels algorismes de segmentació i classificació de tumors ossis proposats a la darrera dècada i implementar-ne un. L’algorisme proposat està basat en el llenguatge Python i presenta un enfocament d'aprenentatge profund per automatitzar la detecció de lesions de genoll en exàmens de ressonància magnètica amb l’objectiu d’ajudar els radiòlegs en el procés de diagnòstic, reduint els falsos positius per evitar sobre-tractament. Amb tot això, aquest projecte proposa construir, entrenar i validar un model que permeti la classificació global de les lesions de genoll basant-se en 3 models de xarxes neuronals computacionals (CNN) independents que s'especialitzen a detectar lesions des d'un pla específic. Aquest model no només aconsegueix un diagnòstic precís de les lesions òssies del genoll amb un AUC (àrea sota la corba) de 0,95, sinó que, amb l'ús de mapes d'activació de classes, també s'assoleix la interpretabilitat del model. El cáncer de huesos fue la tercera causa de muerte por cáncer pediátrico en 2016, siendo osteosarcoma y sarcoma de Ewing los dos sarcomas óseos pediátricos más comunes. Las tasas de supervivencia varían sustancialmente no solo según el tipo de cáncer y la ubicación de éste, sino también según la edad en el momento del diagnóstico, por lo que el diagnóstico temprano es crucial para un mejor pronóstico. La resonancia magnética nuclear (RMN) es la modalidad de imagen por excelencia para la evaluación de tumores óseos y de tejidos blandos. Sin embargo, reconocer las características de imagen de los tumores óseos malignos es una tarea engorrosa, en parte debido a las similitudes entre los tumores benignos y malignos que pueden conducir a un diagnóstico erróneo. El objetivo de este proyecto es realizar una revisión literaria de los algoritmos de segmentación y clasificación de tumores óseos propuestos en la última década e implementar uno de estos algoritmos. El algoritmo propuesto está basado en el lenguaje Python y presenta un enfoque de aprendizaje profundo para la automatización de la detección de lesiones de rodilla en exámenes de resonancia magnética con el objetivo de ayudar a los médicos en el proceso de diagnóstico, reduciendo los falsos positivos para evitar sobretratamiento. Con todo esto, este proyecto propone construir, entrenar y validar un modelo que permita la clasificación global de las lesiones de rodilla en base a 3 modelos de redes neuronales computacionales (CNN) independientes especializados en detectar lesiones desde un plano específico. Este modelo no solo logra un diagnóstico preciso de las lesiones óseas de la rodilla con un AUC (área bajo la curva) de 0,95, sino que, con el uso de mapas de activación de clases, también se alcanza la interpretabilidad del modelo. Bone cancer was the third leading cause of pediatric cancer death in 2016, with the most common pediatric bone sarcomas being osteosarcoma and Ewing’s sarcoma. The survival rates vary substantially not only by cancer type and location but also by age at diagnosis, which is why early diagnosis is crucial for a better prognosis. Magnetic Resonance Imaging (MRI) is the imaging modality of choice for the evaluation of bone and soft tissue tumors. However, recognizing the imaging features of malignant bone tumors is a cumbersome task, in part because of the similarities between benign and malignant tumor that can lead to a misdiagnosis. The aim of this project is to carry out a literary review of segmentation and classification algorithms of bone tumors proposed in the last decade and implement one of these. The proposed algorithm is based on Python language and presents a deep learning approach to automate the detection of knee injuries in MRI exams aiming to assist clinicians in the diagnosis process, lowering false positives to avoid over-treatment. With this all, this project proposes building, training, and validating a model that allows global classification of knee lesions based on 3 independent convolutional neural network (CNN) models that specialize in detecting lesions from a specific plane. Not only does this model achieve accurate diagnosis of knee bone lesions with an AUC (area under the curve) of 0.95 but, with the use of class activation maps, interpretability of the model is also reached.

Durant la segona etapa de la gestació al cervell en desenvolupament, tenen lloc complexos processos. En aquesta etapa es comencen a formar els solcs i les circumvolucions de la superfície cerebral. En nounats nascuts abans de terme, aquests processos esdevenen fora de l'úter i es postula que això pugui condicionar una disrupció del procés normal de maduració cerebral. Investigadores del grup NeoNeuro de l'hospital Sant Joan de Déu estan investigant la maduració cerebral dels nadons prematurs i treballen en la creació d'un atles morfomètric dels solcs cerebrals segons les setmanes d'edat gestacional. Per donar suport al projecte, s'ha treballat en la millora d'una aplicació web de segmentació de solcs cerebrals implementada a Python desenvolupada prèviament. Aquesta aplicació permet segmentar, en diferents plans ecogràfics, els solcs presents a cada nounat. Es presenten quatre millores, dues a nivell d'interfície amb l'usuari, per facilitar la feina al personal mèdic a l'hora de fer la segmentació, i dues a nivell de processament d'imatge, per millorar els resultats a l'hora de segmentar els solcs. Durante la segunda etapa de la gestación en el cerebro en desarrollo, tienen lugar complejos procesos. En esta etapa se empiezan a formar los surcos y las circunvoluciones de la superficie cerebral. En neonatos nacidos antes de término, estos procesos acontecen fuera del útero y se postula que esto pueda condicionar una disrupción del normal proceso de maduración cerebral. Investigadoras del grupo NeoNeuro del hospital Sant Joan de Déu están investigando la maduración cerebral de los recién nacidos prematuros y trabajan en la creación de un atlas morfométrico de los surcos cerebrales según las semanas de edad gestacional. Para apoyar el proyecto, se ha trabajado en la mejora de una aplicación web de segmentación de surcos cerebrales implementada en Python desarrollada previamente. Esta aplicación permite segmentar, en diferentes planos ecográficos, los surcos presentes en cada neonato. Se presentan cuatro mejoras, dos a nivel de interfaz con el usuario, para facilitar el trabajo al personal médico a la hora de realizar la segmentación, y dos a nivel de procesado de imagen, para mejorar los resultados a la hora de segmentar los surcos. During the second stage of gestation in the developing brain, complex processes take place. At this stage, the sulci and convolutions of the brain surface begin to form. In neonates born before term, these processes occur outside the uterus and it is postulated that this may lead to a disruption of the normal process of brain maturation. Researchers from the NeoNeuro group at Sant Joan de Déu Hospital are investigating brain maturation in premature newborns and are working on the creation of a morphometric atlas of the brain sulci according to the weeks of gestational age. To support the project, we have been working on the improvement of a web application for brain sulcus segmentation implemented in Python previously developed. This application allows the segmentation of the sulci present in different ultrasound planes. The present study presents four improvements, two focused in the user interface, to facilitate the work of the doctors when performing the segmentation, and two focused in image processing, to improve the results of the sulci segmentation.

Una de las principales cuestiones de la neurociencia es entender el funcionamiento y la comunicación cerebral en condiciones normales y cómo esto puede cambiar ante un trastorno neurológico. El Síndrome de Rett (SR), de Phelan-McDermid y GRINpatias son trastornos genéticos de neurodesarrollo que afectan predominantemente a las mujeres. Provocan un proceso degenerativo del sistema nervioso caracterizado por una alteración del desarrollo psicomotriz del individuo afectado. Desde el Hospital Sant Joan de Déu, en Barcelona, se está haciendo un estudio de procesamiento de señales electroencefalográficas (EEG) pre y post terapia con L-serina en pacientes con estos trastornos. Los estudios clínicos requieren de una organización especializada que abarca toda una serie de procesos complejos y necesarios para la correcta obtención de los resultados, como la redacción de un protocolo. El protocolo incluye una guía con los pasos a seguir durante las sesiones EEG pre -terapia con los pacientes del estudio, detalla las tareas de los clínicos y los técnicos responsables, establece una estrategia de registro por fases con tareas cognitivas entre medio para obtener la máxima información de las señales y un método de procesado y análisis espectral mediante el software de MATLAB y EEGLAB. Este procesado incluye la limpieza de la señal mediante la aplicación del Análisis de Componentes Independientes (ICA), la segmentación por épocas y el rechazo de las más artefactadas con unos umbrales definidos y como crear y analizar mapas topográficos a partir del cálculo de la Densidad Espectral de Potencia (DEP) y las potencias absolutas (PA) y relativas (PR). Con la aplicación del protocolo y los resultados obtenidos se demuestra la necesidad de redactar y preparar bien los pasos a seguir antes de llevar a cabo un estudio clínico. Se analizan los errores que se han cometido y se proponen mejoras para futuras investigaciones similares. Este protocolo ha cumplido con todos los objetivos propuestos, sin embargo, algunos resultados no han llegado a ser del todo óptimos ya que ha habido una reducción excesiva de pacientes a lo largo del proceso Una de les principals qüestions de la neurociència és entendre el funcionament i la comunicació cerebral en condicions normals i com això pot canviar davant d'un trastorn neurològic. El Síndrome de Rett (SR), el de Phelan-McDermid i les GRINpatias són trastorns genètics de neurodesenvolupament que afecten predominantment a les dones. Provoquen un procés degeneratiu del sistema nerviós caracteritzat per una alteració del desenvolupament psicomotriu de l'individu afectat. Des de l'Hospital Sant Joan de Déu, Barcelona, s'està fent un estudi de processament de senyals electroencefalogràfiques (EEG) pre i post teràpia amb L-serina en pacients amb aquests trastorns. Els estudis clínics requereixen d’una organització especialitzada que comprèn tota una sèrie de processos complexos i necessaris per a la correcta obtenció dels resultats, com ara la redacció d'un protocol. El protocol inclou una guia amb els passos que cal seguir durant les sessions EEG pre-teràpia amb els pacients de l'estudi, detalla les tasques dels clínics i els tècnics responsables, estableix una estratègia de registre dividida per fases amb tasques cognitives per obtenir la màxima informació dels senyals i un mètode de processament i anàlisi espectral mitjançant el programari de MATLAB i EEGLAB. Aquest últim processat inclou la neteja de la senyal mitjançant l'aplicació de l'Anàlisi de Components Independents (ICA), la segmentació per èpoques i el rebuig de les més artefactades amb uns llindars definits i com crear i analitzar mapes topogràfics a partir del càlcul de la Densitat Espectral de Potència (DEP) i les potències absolutes (PA) i relatives (PR). Amb l’aplicació del protocol i els resultats obtinguts es demostra la necessitat de redactar i preparar bé els passos a seguir abans de realitzar un estudi clínic. S'analitzen els errors que s'han comès i es proposen millores per a futures investigacions similars. Aquest protocol ha complert tots els objectius proposats, tanmateix alguns resultats no han arribat a ser del tot óptims ja que hi ha hagut una reducció excessiva de pacients al llarg del procès. One of the main difficulties in neuroscience is to understand how the brain works and communicates under normal conditions and how this may change in the towards a neurological disorder. Rett syndrome (RTT), Phelan-McDermid syndrome and ‘GRINpatías’ are genetic neurodevelopmental disorders predominantly affecting females that cause a degenerative process of the nervous system characterised by an alteration of the psychomotor development. The hospital Sant Joan de Déu, in Barcelona, is conducting a study of electroencephalographic (EEG) signal processing pre and post therapy with L-serine in patients with these disorders. Clinical studies require a specialised organisation which includes a series of complex processes necessary to obtain the correct results, such as the creation of a detailed protocol that covers from the recording phases to the processing and final analysis of the signal. The protocol includes a guide with the steps to follow during the pre-therapy EEG sessions with the patients, details the tasks of the clinicians and technicians responsible of the project, establishes a phased recording strategy with cognitive tasks in between to obtain maximum information from the signals and ,finally, a method of processing and applying spectral analysis using the MATLAB and EEGLAB software. This processing involves signal cleaning through the application of Independent Component Analysis (ICA), segmentation by epochs and rejection of the most artefacts ones with defined thresholds and defines how to create and analyse topographic maps from the calculation of the Spectral Power Density (SPD) and the absolute (AP) and relative powers (RP). The application of the protocol and the results obtained demonstrate the need to establish and describe the steps to be followed before starting a clinical study. The errors that have been made are analysed, proposing improvements for future similar investigations. This protocol has achieved all the proposed objectives, however, some results have not been optimal as there has been an excessive reduction of patients throughout the process

La informació és el recurs més valuós mundialment [1], i és possible trobar-la a tot arreu. En el cas de les imatges mèdiques, la informació significa no només imatges de giga píxels, sinó que també inclou metadades i mesures quantitatives [2]. DICOM (Digital Imaging and Communications in Medicine) és una clara font d’informació, ja que es tracta del Standard per emmagatzemar i transmetre imatges mèdiques [2] i la informació relacionada [3]; això significa que conté dades d’imatges sense processar i metadades relacionades amb els procediments que es donen a terme amb l’adquisició i curació de la imatge [2]. Una de les dades més rellevants que es poden trobar en un arxiu DICOM són els paràmetres de dosi de radiació. Actualment, ni les Directives Europees ni les Regulacions Espanyoles estableixen límits en la dosi de radiació per a pacients sota processos de diagnòstic ni tractament. Està científicament demostrat que les radiacions ionitzants tenen efectes nocius en la salut humana [4], i per això s’han de prendre mesures com abans possible. Aquestes accions comencen per poder quantificar la radiació rebuda pel pacient en diferents estudis al llarg del temps, cosa que es pot fer fent ús d’una taula de metadades DICOM. Aquest projecte fa èmfasi en l’anàlisi de les metadades generades per Tomografia Computeritzada per comprovar la qualitat de la informació i veure si és possible estimar la quantitat dosimètrica que té en compte la sensibilitat biològica del teixit irradiat i reflecteix el risc d’una exposició no uniforme de cos sencer: la Dosi Efectiva [5]. Finalment, amb aquesta avaluació, és possible definir passos futurs per al desenvolupament d’una eina digital capaç d’analitzar dades relacionades amb radiació i controlar el risc de la ionització per a qualsevol tipus d’examinació mèdica. La información es el recurso más valioso mundialmente [1], y es posible encontrarla en todas partes. En el caso de las imágenes médicas, la información significa no solo imágenes de giga píxeles, sino que también incluye metadatos y medidas cuantitativas [2]. DICOM (Digital Imaging and Communications in Medicine) es una clara fuente de información, ya que se trata del estándar para almacenar y transmitir imágenes médicas [2] e información relacionada [3]; esto significa que contiene datos de imágenes sin procesar y metadatos relacionados con los procedimientos que se llevan a cabo durante la adquisición y curación de la imagen [2]. Uno de los datos más relevantes que se puede encontrar en un archivo DICOM son los parámetros de dosis de radiación. Actualmente, ni las Directivas Europeas ni Regulaciones Españolas establecen límites en la dosis de radiación para pacientes ante procesos de diagnóstico ni tratamiento. Está científicamente comprobado que las radiaciones ionizantes tienen efectos nocivos en la salud humana [4], por lo que se tienen que tomar medidas lo antes posible. Estas acciones empiezan con poder cuantificar la radiación recibida por el paciente en diferentes estudios a lo largo del tiempo, lo cual se puede conseguir haciendo uso de una tabla de metadatos DICOM. Este proyecto hace énfasis en el análisis de los metadatos generados por Tomografía Computarizada para comprobar la calidad de la información y ver si es posible estimar una cantidad dosimétrica que tiene en cuenta la sensibilidad biológica del tejido irradiado y refleja el riesgo de una exposición no uniforme de cuerpo completo: la Dosis Efectiva [5]. Finalmente, con esta evaluación, es posible definir pasos futuros para el desarrollo de una herramienta digital capaz de analizar datos relacionados con la radiación y controlar el riesgo de dicha ionización para cualquier tipo de examinación médica. Data is the world’s most valuable resource [1], and it is possible to find data everywhere. In medical images, data covers not only gigapixel images, but also metadata and quantitative measurements [2]. DICOM (Digital Imaging and Communications in Medicine) is a clear source of medical data, since it is the current standard for storing and transmitting medical images [2] and related information [3]; this means it contains raw data imaging and all metadata related to the procedures of image acquisition and curation [2]. Some of the most relevant information found on DICOM files relies on radiation dose parameters. In the current defined Directives and Regulations, no limits on the radiation dose are stipulated for patients undergoing diagnostic nor treatment procedures. There is proof that ionizing radiation has direct implications in human health [4], which is why measures need to be taken as soon as possible. These actions start with being able to quantify the radiation received by a patient in studies over time, which can be done by means of a DICOM dataset of metadata. The main focus of this project is to analyze Computerized Tomography (CT) scans generated metadata in order to check the quality of the data and then be able to estimate a dosimetric quantity that takes into account the biological sensitivity of the irradiated tissue and reflects the risk of a non-uniform whole-body exposure: the Effective Dose [5]. Finally, with this evaluation, it is possible to define the future steps for the development of a digital tool to analyze radiation-related data and risk control of ionizing radiation expanded for all type of medical examinations.

El diagnòstic per imatge és una de les àrees de la medicina que està avançant més gràcies a l’ús de les xarxes neuronals convolucionals. Permeten la detecció d’anomalies amb una major precisió. El problema està en el fet que aquests mètodes van ser dissenyats per obtenir la millor resposta possible, però no per donar una raó d’aquesta. La falta de transparència s’identifica com la principal barrera per la seva implementació en el sistema. És aquí on neix la necessitat de desenvolupar una explicació del procediment pel qual passa un model. S’anomena a aquest concepte explicabilitat. Les tècniques d’explicabilitat permeten als usuaris humans comprendre i confiar en la sortida generada per un algorisme. El treball s’ha realitzat conjuntament amb la Fundació TIC Salut Social, un organisme de la Generalitat de Catalunya que treballa per impulsar el desenvolupament tecnològic en l’àmbit de la Salut, així com amb la col·laboració del Dr. Josep Munuera, cap del diagnòstic per la imatge, i el Dr. Ignasi Barber, cap Assistencial i Docent, de l’Hospital Sant Joan de Déu de Barcelona. El projecte consisteix en l’aplicació de diverses tècniques d’explicabilitat a un algorisme de Deep Learning. Es parteix d’un model entrenat amb un conjunt de dades que corresponen a radiografies de tòrax de nadons d’un a cinc anys. El dataset ha estat extret d’una plataforma web pública i el propòsit del model és la detecció de pneumònia. Posteriorment, s’implementen els mètodes d’explicabilitat i es realitza una anàlisi i una parametrització per l’optimització dels resultats. Finalment, es du a terme una comparació entre les tècniques, per una mateixa imatge de diagnòstic, tenint en compte el tipus d’informació que pot aportar cada una. L’objectiu final d’aquest treball és veure si l’explicabilitat d’un algorisme d’IA pot ser d’utilitat per un professional a l’hora de fer el seu diagnòstic, donant-li confiança i transparència a la predicció proporcionada pel model. Diagnostic imaging is one of the areas of medicine that is progressing the most thanks to the use of convolutional neural networks. These allow the detection of anomalies with higher precision. The problem is that these methods have been designed to obtain the best answer, but not to give a reason for it. The lack of transparency is identified as the main barrier for the implementation to the system. This is where the need of developing an explanation of the procedure that a model passes through is born. This concept is called explainability. Explainability techniques allow human users to understand and trust the output generated by an algorithm. The work has been carried out jointly with the Fundació TIC Salut Social, an organization of the Generalitat de Catalunya that works to promote technological development in healthcare, as well as with the collaboration of Dr. Josep Munuera, head of diagnostic imaging, and Dr. Ignasi Barber, assistance head and teacher, at the Hospital Sant Joan de Déu in Barcelona. The project consists in the application of several explainability techniques to a Deep Learning algorithm. The starting point is having a trained model with a dataset corresponding to chest X-rays of children from one to five years old. The dataset has been extracted from a public web platform and the purpose of the model is the detection of pneumonia. Subsequently, explainability methods are implemented and an analysis of their parameters is performed for the optimization of the results. Finally, a comparison between the techniques is carried out, for the same diagnostic image, taking into account the type of information that each of them can provide. The final objective of this work is to see if the explainability of an AI algorithm can be useful for a professional when diagnosing, giving confidence and transparency to the prediction provided by the model. El diagnóstico por imagen es una de las áreas de la medicina que más está avanzando gracias al uso de la inteligencia artificial, concretamente, por la aplicación de métodos de Deep Learning. Las redes neuronales convolucionales permiten la detección de anomalías con una mayor precisión, obteniendo grandes resultados. El problema está en que estos métodos han sido diseñados para obtener la mejor respuesta posible, pero no para dar una razón de esta. La falta de transparencia se identifica como la principal barrera para su implementación en el sistema. Es aquí donde nace la necesidad de desarrollar una explicación del procedimiento por el cual pasa un modelo. Se denomina a este concepto explicabilidad. Las técnicas de explicabilidad permiten a los usuarios humanos comprender y confiar en la salida generada por un algoritmo. El trabajo se ha realizado conjuntamente con la Fundació TIC Salut Social, un organismo de la Generalitat de Catalunya que trabaja por impulsar el desarrollo tecnológico en el ámbito de la salud, así como con la colaboración el Dr. Josep Munuera, director del diagnóstico por la imagen, y el Dr. Ignasi Barber, director asistencial y docente, del Hospital Sant Joan de Déu de Barcelona. El proyecto consiste en la aplicación de varias técnicas de explicabilidad a un algoritmo de Deep Learning para analizarlas y hacer una comparación entre ellas. Se parte de un modelo entrenado con un conjunto de datos que corresponden a radiografías de tórax de bebés de uno a cinco años. El dataset ha sido extraído de una plataforma web pública y el propósito del modelo es la detección de neumonía. Posteriormente, se implementan los métodos de explicabilidad y se realiza un análisis y una parametrización para la optimización de los resultados. Finalmente, se lleva a cabo una comparación entre las técnicas, para una misma imagen de diagnóstico, teniendo en cuenta el tipo de información que puede aportar cada una de ellas. El objetivo final de este trabajo es ver si la explicabilidad de un algoritmo de IA puede ser de utilidad para un profesional a la hora de hacer su diagnóstico, dándole confianza i transparencia a la predicción proporcionada por el modelo.

El càncer de pròstata és el segon tipus de càncer més comú i la cinquena causa principal de mort per càncer en homes durant l'últim any. Tot i així, en les últimes dècades la taxa de mortalitat ha disminuït notablement degut a, entre altres factors, un diagnòstic precoç i a un a millora en les eines per portar-lo a terme. Tradicionalment en l'estudi d'aquest càncer, els radiòlegs analitzen diferents modalitats d'imatge de forma individual, entre elles 3D T2- Weighted Imaging, Diffusion-Weighted Imaging i Perfusion-Weighted Imaging. D'aquesta manera, trobem casos en què l'observació del tumor es veu compromesa per diferents aspectes i pot no ser detectat correctament. Per això, el nostre objectiu és desenvolupar una aplicació accessible per a qualsevol centre mèdic o hospital, sense necessitat d'instal·lació d'un software complex, que serveixi d'ajuda per al diagnòstic de càncer de pròstata i d'una solució a aquestes limitacions. A partir de la base de dades proporcionada per l'Hospital de Dijon d'imatges DICOM (Digital Imaging and Communications in Medicine) de pròstata, en aquest estudi es proposa una aplicació web implementada mitjançant Python i disponible a través de Docker, que accedeix directament a la informació de les imatges i mostra simultàniament les tres modalitats d'imatges esmentades. Així mateix, proporciona una eina per fer anotacions en les diferents zones de la pròstata, incloent el tumor si és el cas, i que permet exportar i tornar a importar-les un cop acabat l'estudi. El cáncer de próstata se trata del segundo cáncer más frecuente y la quinta causa principal de muerte por cáncer en hombres en el último año. Sin embargo, durante las últimas décadas la tasa de muerte ha disminuido notablemente debido a, entre otros factores, un diagnóstico precoz y a una mejora en las herramientas para realizarlo. Tradicionalmente en el estudio de este cáncer, los radiólogos analizan diferentes modalidades de imagen de forma individual, entre ellas 3D T2- Weighted Imaging, Diffusion-Weighted Imaging y Perfusion-Weighted Imaging. De esta forma, encontramos casos en los que la observación del tumor se ve comprometida por diferentes aspectos y puede no ser detectado correctamente. Por ello, nuestro objetivo es desarrollar una aplicación accesible para cualquier centro médico o hospital, sin necesidad de instalación de un software complejo, que sirva de ayuda para el diagnóstico de cáncer de próstata y de una solución a estas limitaciones. A partir de la base de datos proporcionada por el Hospital de Dijon de imágenes DICOM (Digital Imaging and Communications in Medicine) de próstata, en este estudio se propone una aplicación web implementada mediante Python y disponible a través de Docker, que accede directamente a la información de las imágenes y muestra simultáneamente las tres modalidades de imágenes mencionadas. Asimismo, proporciona una herramienta para hacer anotaciones en las diferentes zonas de la próstata, incluyendo el tumor si es el caso, y que permite exportar y volver a importarlas una vez acabado el estudio. Prostate cancer is the second most common cancer and the fifth leading cause of cancer death among men in the past year. Nevertheless, during the last decades the death rate has notably decreased mostly as a result of an early diagnosis and an improvement on the tools used to perform it. Traditionally in the study of this cancer, radiologists analyse different imaging modalities individually, including 3D T2-Weighted Imaging, Diffusion-Weighted Imaging and Perfusion-Weighted Imaging. In this way, we can find cases in which the observation of the tumour can be compromised by different aspects and may not be detected correctly. For this reason, our goal is to develop a simple, web-based, application accessible from primary care centres or hospitals to help diagnosing prostate cancer and overcome these limitations. From the database supplied by the Dijon Hospital of prostate DICOM (Digital Imaging and Communications in Medicine) images, this study proposes a web application implemented using Python, which directly accesses the information in the DICOM images and displays simultaneously the three images modalities that have been mentioned. Likewise, it provides a tool to make annotations in the different areas of the prostate, including the tumour, and that allows them to be exported and imported once the study has finished.

El període més important per al desenvolupament del cervell humà és la fase fetal. Durant aquest període de quaranta setmanes, es produeixen canvis morfològics importants al cervell humà, incloent un enorme augment de la superfície cerebral després del desenvolupament dels solcs i circumvolucions. En els nadons prematurs, aquests canvis es produeixen en un entorn extrauterí i s’ha demostrat un deteriorament del desenvolupament cerebral en aquesta població a una edat equivalent al terme. Un atles normalitzat de maduració cerebral amb ultrasons cerebrals pot permetre als clínics avaluar aquests canvis setmanalment des del naixement fins a una edat equivalent al terme. Basat en les imatges dels diferents nadons proporcionats per dos investigadors clínics, aquest estudi proposa una aplicació web implementada amb Python i les seves diferents biblioteques, inclòs Dash, i accessible a través de Docker que permet accedir directament a l’aplicació dissenyada i a la seva base de dades. D’aquesta manera, es proporciona una eina que permet fer una primera definició de les diferents ranures manualment per passar-les finalment per un algorisme amb l’objectiu de millorar la precisió i poder exportar tant la imatge com les coordenades que se n’obtenen. El período más importante para el desarrollo del cerebro humano es la fase fetal. Durante este período de cuarenta semanas, se producen importantes cambios morfológicos en el cerebro humano, incluido un gran aumento en la superficie del cerebro a raíz del desarrollo de surcos y circunvoluciones. En los recién nacidos prematuros, estos cambios se producen en un entorno extrauterino y se ha demostrado un deterioro del desarrollo cerebral en esta población a la edad equivalente a término. Un atlas normalizado de maduración cerebral con ecografía cerebral puede permitir a los médicos evaluar estos cambios semanalmente desde el nacimiento hasta la edad equivalente a término. A partir de las imágenes de los diferentes bebés proporcionados por dos investigadores clínicos, este estudio propone una aplicación web implementada con Python y sus diferentes bibliotecas, incluida Dash, y accesible a través de Docker que permite el acceso directo a la aplicación diseñada y su base de datos. De esta forma, se proporciona una herramienta que permite realizar una primera definición de las diferentes ranuras de forma manual para finalmente pasarlas por un algoritmo con el objetivo de mejorar la precisión y poder exportar tanto la imagen como las coordenadas obtenidas de la misma. The most important period for human’s brain development is the fetal phase. During these forty weeks period, important morphological changes take place in the human brain, including a huge increase in the brain surface following the development of sulci and gyri. In preterm newborns these changes occur in an extrauterine environment, and an impaired brain development has been shown in this population at term equivalent age. A normalized atlas of brain maturation with cerebral ultrasound may allow the clinicians to assess these changes weekly from birth to term equivalent age. Based on the images of the different babies provided by two clinical researchers, this study proposes a web application implemented with python and its different libraries, including Dash, and accessible through docker that allows direct access to the designed app and its database. In this way, a tool is provided that allows a first definition of the different grooves to be made manually to finally pass them through an algorithm with the aim of improving precision and being able to export both the image and the coordinates obtained from it.

Les malalties cerebrovasculars inclouen una varietat d’afeccions mèdiques que alteren els vasos sanguinis del cervell i a la circulació cerebral. Una de les causes que pot produir accidents cerebrovasculars són les malformacions de les venes que irriguen el cervell. L’anatomia del sistema venós intern del cervell és molt dissemblant als éssers humans. La literatura confirma que, després d’una observació sistemàtica del sistema venós del cervell en adults, imatges de ressonància magnètica descriuen quatre variants anatòmiques de les venes profundes. En el cas dels nounats estudis confirmen que existeixen fins a sis varietats diferents. Per tal de prevenir malalties i/o malformacions vasculars en adults, és important detectar en edats primerenques (nounats o pacients pediàtrics) la susceptibilitat que presenten de patir-les en un futur. El treball s’ha realitzat en col·laboració amb el Dr. Josep Munuera de l’Hospital Sant Joan de Déu de Barcelona. Particularment, l’opció desenvolupada pel present projecte consisteix en avaluar la simetria dels hemisferis cerebrals essent un indicador de presència o absència de certes venes. En concret, partint d’un Treball de Grau Previ desenvolupat en codi Matlab que avaluava quantitativament la simetria d’imatges radiològiques, es pretén implementar-lo en llenguatge Python. L’objectiu és acabar creant una interfície gràfica d’usuari en concret una aplicació web per a professionals sanitaris del departament de diagnòstic d’imatge de l’Hospital Sant Joan de Déu de Barcelona. Les premisses són que ha de ser accessible, amb una visió intuïtiva i d’ús senzill, sense necessitat d’instal·lar cap software complex. El metge haurà de poder carregar la imatge de ressonància magnètica del cervell del nounat o pacient pediàtric des de l’estació clínica. El processat seguit per l’algorisme s’anirà mostrant en panells i serà la interfície i la interactivitat de la mateixa, la que guiarà al metge a avançar en les següents passes. L’eina creada ha de servir de suport en la decisió del metge per a diagnosticar malformacions o accidents cerebrovasculars i com a complement a altres proves clíniques que s’hagin realitzat al pacient. Las enfermedades cerebrovasculares incluyen una variedad de afecciones médicas que alteran los vasos sanguíneos del cerebro y la circulación cerebral. Una de las causas que puede producir accidentes cerebrovasculares son las malformaciones de las venas que irrigan el cerebro. La anatomía del sistema venoso interno del cerebro es muy disímil entre los seres humanos. La literatura confirma que, tras una observación sistemática del sistema venoso del cerebro en adultos, imágenes de resonancia magnética describen cuatro variantes anatómicas de las venas profundas. En el caso de los recién nacidos estudios confirman que existen hasta seis variantes distintas. Con el fin de prevenir enfermedades y / o malformaciones vasculares en adultos es importante detectar en edades tempranas (recién nacidos o pacientes pediátricos) la susceptibilidad que presentan de sufrirlas en un futuro. El trabajo se ha realizado en colaboración con el Dr. Josep Munuera del Hospital Sant Joan de Déu de Barcelona. Particularmente, la opción desarrollada por el presente proyecto consiste en evaluar la simetría de los hemisferios cerebrales siendo un indicador de presencia o ausencia de ciertas venas. En concreto, partiendo de un Trabajo de Grado Previo desarrollado en código Matlab que evaluaba cuantitativamente la simetría de imágenes radiológicas, se pretende implementarlo en lenguaje Python. El objetivo es acabar creando una interfaz gráfica de usuario, concretamente, una aplicación web para profesionales sanitarios del departamento de diagnóstico de imagen del Hospital Sant Joan de Déu de Barcelona. Las premisas son que debe ser accesible, con una visión intuitiva y de uso sencillo, sin necesidad de instalar ningún software complejo. El médico deberá poder cargar la imagen de resonancia magnética del cerebro del recién nacido o paciente pediátrico desde la estación clínica. El procesado seguido por el algoritmo se irá mostrando en paneles y será la interfaz y la interactividad de la misma, la que guiará al médico a avanzar en los siguientes pasos. La herramienta creada debe servir de apoyo en la decisión del médico para diagnosticar malformaciones o accidentes cerebrovasculares y como complemento de otras pruebas clínicas que se hayan realizado al paciente. Cerebrovascular diseases include a variety of medical conditions that disrupt blood vessels in the brain and cerebral circulation. One of the causes that can lead to strokes are vascular malformations of the brain. The anatomy of the internal venous system of the brain is very dissimilar to humans. Literature confirms that, after systematic observation of the venous system of the brain in adults, magnetic resonance imaging describes four anatomical variants of the deep veins. In the case of new-borns’ studies confirm that there are up to six different variants. In order to prevent diseases and/or vascular malformations in adults, it is important to detect at an early stage (new-borns or paediatric patients) the susceptibility to suffer from them in the future. The project has been carried out in collaboration with Dr. Josep Munuera of “Hospital Sant Joan de Déu” in Barcelona. In particular, the option developed in this project evaluates the symmetry of the cerebral hemispheres as an indicator of the presence or absence of certain veins. Based on a previous final thesis dissertation developed in Matlab code, that quantitatively evaluates the symmetry of radiological images, the mission of this project is to implement the code in Python language. The aim is to create a graphical user interface, namely a web application for health professionals of the image diagnosis department of “Hospital Sant Joan de Déu” in Barcelona. The premises are that it should be accessible, intuitive and easy to use without the need to install any complex software. The doctors should be able to upload the MRI image of the brain of the new-born or paediatric patient from their clinical stations. The processing followed by the algorithm will be displayed in panels and it will be the interface and interactivity of the same, which will guide the doctor to move on to the next steps. The tool created should support the doctor's decision to diagnose malformations or cerebrovascular accidents and be used as a complement to other clinical tests that have been performed on the patient. Objectius de Desenvolupament Sostenible::3 - Salut i Benestar

Tal com apunten les estadístiques, el càncer de mama és un problema de salut greu que suposa una considerable càrrega econòmica a l'hora de dur a terme el seu tractament, de manera que es justifica, indubtablement, la necessitat de realitzar un cribratge d'aquesta malaltia. No obstant això̀, en l'actualitat, la forma en què es realitza el diagnòstic en la pràctica clínica és propensa a errors. D'aquesta manera, sorgeix la necessitat de buscar una eina que ajudi als professionals a classificar les mamografies en les quatre categories de BI-RADS. En aquest projecte es presenten dos enfocament: un de machine learning i un de deep learning. Principalment, més enllà de la comparació dels resultats, el que es pretén és analitzar i desgranar en profunditat el procés seguit per aconseguir els seus respectius desenvolupaments i posterior implementació. Així, es mostren les dificultats i desavantatges trobats a l’hora que s'avaluen i comparen els dos models. Per a això, s'utilitzen tres bases de dades de mamografies que experts ja han classificat seguint les pautes de BI-RADS. Pel model de machine learning, es desenvolupen i utilitzen algoritmes que extreuen característiques de textura de les mamografies. L’àrea densa de la mama es segmenta utilitzant la informació́obtinguda de textura i Fuzzy C-means (una tècnica de soft clustering sense supervisió́). A continuació́, les àrees denses segmentades de la mama es classifiquen, utilitzant les característiques prèviament obtingudes i seleccionades, amb l'ajuda de l'algoritme dels k-nearest neighbors (k-NN). En aquest estudi s'especifiquen, també, les estratègies de desenvolupament al voltant de les possibilitats que no s'han implementat en la seva totalitat explicant els motius que van determinar la seva (parcial) exclusió. En canvi, pel model deep learning, atès que la base de dades de les mamografies era insuficient per a l'entrenament adequat del model, s'utilitzen tècniques de data augmentation. S'avaluen i entrenen, així, diferents arquitectures de xarxes neuronals convolucionals (CNN). Finalment, es presenten els resultats obtinguts i es proposa una discussió exhaustiva dels resultats, demostrant que el model de machine learning requereix d’un gran esforç i expertesa per obtenir uns resultats acceptables, mentre que el de deep learning mostra una precisió molt major i, per la seva facilitat d’implementació, pot considerar-se com una eina clau per futurs treballs o investigacions en aquesta matèria. Tal y como apuntan las estadísticas, el cáncer de mama es un problema de salud grave que supone una considerable carga económica a la hora de llevar a cabo su tratamiento, por lo que se justifica, indudablemente, la necesidad de realizar un cribado de esta enfermedad. Sin embargo, en la actualidad, la forma en que se realiza el diagnóstico en la práctica clínica es propensa a errores. De este modo, surge la necesidad de buscar una herramienta que ayude a los profesionales a clasificar las mamografías en las cuatro categorías de BI-RADS. En este proyecto se presentan dos enfoques: uno de machine learning y otro de deep learning. Principalmente, más allá de la comparación de los resultados, lo que se pretende es analizar y desgranar en profundidad el proceso seguido para conseguir sus respectivos desarrollos y posterior implementación. Así, se muestran las dificultades y desventajas encontradas a la hora de evaluar y comparar los dos modelos. Para ello, se utilizan tres bases de datos de mamografías que expertos ya han clasificado siguiendo las pautas de BI-RADS. En el caso del modelo de machine learning, se desarrollan y utilizan algoritmos que extraen características de textura de las mamografías. El área densa de la mama se segmenta utilizando la información obtenida de textura y Fuzzy C-means (una técnica de soft clustering sin supervisión). A continuación, las áreas densas segmentadas de la mama se clasifican, utilizando las características previamente obtenidas y seleccionadas, con la ayuda del algoritmo de k-nearest neighbors (k-NN). En este estudio se especifican, también, las estrategias de desarrollo en torno a las posibilidades que no se han implementado en su totalidad explicando los motivos que determinaron su (parcial) exclusión. En cambio, en el modelo de deep learning, dado que la base de datos de las mamografías era insuficiente para el entrenamiento adecuado del modelo, se utilizan técnicas de data augmentation. Se evalúan y entrenan, así, diferentes arquitecturas de redes neuronales convolucionales (CNN). Finalmente, se presentan los resultados obtenidos y se plantea una discusión exhaustiva de los resultados, demostrando que el modelo de machine learning requiere de un gran esfuerzo y experiencia para obtener unos resultados aceptables, mientras que el de deep learning muestra una precisión mucho mayor y, debido a su fácil implementación, puede considerarse como una herramienta clave para futuros trabajos o investigaciones en esta materia. Epidemiological statistics portray the fact that breast cancer is a significant health concern and economic burden, undoubtedly justifying the need for breast cancer screening. Nevertheless, how the current diagnosis is made in clinical practice is prone to errors. Hence, there is a necessity for a tool to assist physicians when classifying mammographies into the four categories of BI-RADS. In this project, two approaches are presented: one based on machine learning and the other one based on deep learning. Mainly, beyond the comparison of the results, what is intended is to analyze and discuss in-depth the process followed to achieve their respective developments and subsequent implementation. Thus, the difficulties and drawbacks found when evaluating and comparing the two models are shown. Consequently, three mammography databases are used that experts have already classified following the BI-RADS guidelines. In the case of the machine learning model, algorithms that extract texture features from mammograms are developed and used. The dense area of the breast is segmented, with the information obtained from texture, using Fuzzy C-means (an unsupervised soft clustering technique). Subsequently, a feature selection process was carried out. The classification of the dense areas was performed using a knearest neighbors algorithm (k-NN). The development strategy around other possibilities that were not fully implemented is also explained, with reference to the motives behind these decisions. On the other hand, in the deep learning model, the mammogram database was insufficient for the adequate training of the model. Hence, data augmentation techniques are used. Different convolutional neural network (CNN) architectures were assessed and trained. Finally, the results obtained are presented and an exhaustive discussion is performed, demonstrating that the machine learning model requires great effort and experience to obtain acceptable results. In contrast, the deep learning model shows a much higher accuracy and can be considered as key for future work or research in this area.

Outgoing

L’anàlisi de la simetria de les venes profundes del cervell s’ha realitzat sempre de manera qualitativa per un expert. La detecció d’aquesta simetria en nounats és un fet molt important a l’hora de fer un bon diagnòstic i en determinar la susceptibilitat del pacient en patir malalties i/o malformacions vasculars en un futur. El projecte consisteix en passar d’aquest anàlisi qualitatiu a un de quantitatiu mitjançant l’extracció de característiques d’aquestes venes mitjançant el processament d’imatges de ressonància magnètica cerebrals de nounats proporcionades pel Departament de Diagnòstic per la imatge de l’Hospital Sant Joan de Déu. D’aquesta manera, no només s’analitzen i avaluen diferents característiques que permeten determinar la simetria, sinó que també es dota a l’expert d’una eina per tal d’ajudar-lo en aquesta classificació. Per aconseguir aquests objectius es desenvolupa un algorisme en MATLAB en el qual se segmenten les venes d’interès mitjançant el Gaussian Mixture Model, s’esqueletonitzen i es calculen 5 diferents paràmetres que podrien definir la simetria de les venes profundes cerebrals entre els dos hemisferis que conformen el cervell. Finalment, s’avaluen els paràmetres i es crea un model de classificació que permet l’etiquetatge de les imatges segons si presenten simetria o asimetria.

El càncer de mama és un repte per a la salut mundial, ja que és el càncer més comú diagnosticat en dones. Les taxes de supervivència d’aquest càncer poden augmentar a partir d’un diagnòstic precoç de la patologia, motiu pel qual s’estableixen programes de cribratge per a dones asimptomàtiques. Avui en dia, els radiòlegs i radiòlogues estudien i descriuen les mamografies a partir d’un sistema estàndard conegut com a Breast Imaging Reporting and Data System (BI- RADS). Aquest sistema classifica les imatges en 6 categories diferents segons les característiques i/o patologies del pit. En aquest projecte, s’han classificat de manera automàtica 796 mamografies aplicant dos algoritmes diferents: “Digital Mammography Challenge” (DMC) i Convolutional Neural Network (CNN). Després de l’aplicació d’ambdós mètodes de classificació s’han obtingut els següents resultats: DMC ha assolit un 78,44% de precisió (és a dir, classificació correcta) mentre que CNN ha aconseguit un 82,16% en l’algoritme d’entrenament i un 62,5% en el test. El cáncer de mama es un reto para la salud mundial, ya que es el cáncer más común diagnosticado en mujeres. Las tasas de supervivencia de este cáncer pueden aumentar a partir del diagnóstico precoz de la patología, por lo que se establecen programas de cribado para mujeres asintomáticas. Hoy en día, los radiólogos y radiólogas estudian y describen las mamografías a partir de un sistema estándar conocido como Breast Imaging Reporting and Data System (BI- RADS). Este sistema clasifica las imágenes en 6 categorías diferentes según las características y/o patologías del pecho. En este proyecto, se han clasificado de manera automática 796 mamografías aplicando dos algoritmos diferentes: ”Digital Mammography Challenge” (DMC) y Convolutional Neural Network (CNN). Después de la aplicación de ambos métodos de clasificación se han obtenido los siguientes resultados: DMC ha alcanzado un 78,44 % de precisión (es decir, clasificación correcta) mientras que CNN ha conseguido un 82,16 % en el algoritmo de entrenamiento y un 62,5 % en el test. Breast cancer a global health challenge as it is the most common cancer diagnosed in women. An early diagnosis can increment the survival rates, thus detection programs aim to obtain mammography images of thousands of asymptomatic women. Nowadays, radiologists study and describe a mammography using a standard system known as Breast Imaging Reporting and Data System (BI-RADS). This system classifies images into 6 different categories depending on the pathology found on the breast. In this project, 796 mammography images have been automatically classified by applying two dif- ferent algorithms: Digital Mammography Challenge algorithm (DMC) and Convolutional Neural Network algorithm (CNN). Different accuracy have been observed by using both algorithms: DMC achieved a 78,44% of accuracy (namely correct classification) while CNN has achieved a 82,16% in the train performance and a 62,5% in the test. Outgoing