Search

Tot i que el càncer ossi pediàtric és relativament poc freqüent, va ser la tercera causa de mort infantil el 2020. En aquest context, destaquen dues formes prevalents: l'osteosarcoma i el sarcoma d'Ewing, afectant els teixits ossis dels infants. La seva importància es manifesta en la determinació del pronòstic i l'eficàcia del seu tractament, que depenen de factors clau com el tipus de càncer, la ubicació del tumor i l'edat del pacient. És, per tant, essencial comprendre la necessitat d’un diagnòstic precoç. Dins d'aquest marc, és fonamental subratllar la importància de les tècniques d’imatge, amb un èmfasi especial en el paper de la ressonància magnètica (RM). No obstant això, les imatges d'aquests càncers poden generar confusió amb les de tumors benignes, ja que presenten certa similitud. Per abordar aquesta problemàtica, l’objectiu del projecte és realitzar una revisió literària dels algoritmes de segmentació i classificació de tumors ossis pediàtrics desenvolupats recentment. Aquesta revisió busca implementar un dels algoritmes com a eina d'ajuda per l'equip de diagnòstic d'imatge de l’Hospital Sant Joan de Déu. Malgrat l'escassetat d'algoritmes específics per a tumors ossis, s'han implementat dues solucions alternatives: una per a la segmentació de pòlips en imatges de colonoscòpia i una altra per a la classificació de lesions cutànies. Amb una precisió del 93,19% i 91,96%, respectivament, aquests algoritmes, inicialment concebuts per altres àrees, poden ser adaptats i aplicats posteriorment al càncer d'ossos simplement canviant la base de dades utilitzada., Aunque el cáncer óseo pediátrico es relativamente poco frecuente, fue la tercera causa de muerte infantil en 2020. En este contexto, destacan dos formas prevalentes: el osteosarcoma y el sarcoma de Ewing, afectando los tejidos óseos de los niños. Su importancia se manifiesta en la determinación del pronóstico y la eficacia de su tratamiento, que dependen de factores clave como el tipo de cáncer, la ubicación del tumor y la edad del paciente. Es, por tanto, esencial comprender la necesidad de un diagnóstico precoz. Dentro de este marco, es fundamental subrayar la importancia de las técnicas de imagen, con un énfasis especial en el papel de la resonancia magnética (RM). Sin embargo, las imágenes de estos cánceres pueden generar confusión con las de tumores benignos, ya que presentan cierta similitud. Para abordar esta problemática, el objetivo del proyecto es realizar una revisión literaria de los algoritmos de segmentación y clasificación de tumores óseos pediátricos desarrollados recientemente. Esta revisión busca implementar uno de los algoritmos como una herramienta de ayuda para el equipo de diagnóstico por imagen del Hospital Sant Joan de Déu. A pesar de la escasez de algoritmos específicos para tumores óseos, se han implementado dos soluciones alternativas: una para la segmentación de pólipos en imágenes de colonoscopia y otra para la clasificación de lesiones cutáneas. Con una precisión del 93,19% y 91,96%, respectivamente, estos algoritmos, inicialmente concebidos para otras áreas, pueden adaptarse y aplicarse posteriormente al cáncer de huesos simplemente cambiando la base de datos utilizada., Although pediatric bone cancer is relatively rare, it was the third leading cause of child mortality in 2020. In this context, two prevalent forms stand out: osteosarcoma and Ewing's sarcoma, which affect the bone tissues of children. Their importance is evident in determining the prognosis and effectiveness of treatment, depending on key factors such as cancer type, tumor location, and the patient's age. Therefore, understanding the need for an early diagnosis is essential. Within this framework, it is crucial to emphasize the significance of imaging techniques, with a special focus on the role of magnetic resonance imaging (MRI). However, images of these cancers may be confused with those of benign tumors due to certain similarities. To address this issue, the project aims to conduct a literature review of recently developed algorithms for segmentation and classification of pediatric bone tumors. This review seeks to implement one of these algorithms as a tool to assist the imaging diagnosis team at the Hospital Sant Joan de Déu. Despite the scarcity of specific algorithms for bone tumors, two alternative solutions have been implemented: one for the segmentation of polyps in colonoscopy images and another for the classification of skin lesions. With an accuracy of 93.19% and 91.96%, respectively, these algorithms, initially designed for other areas, can be adapted and applied to bone cancer by simply changing the used database.

Des de sempre, la gestió de la informació ha estat un factor clau per a la presa de decisions encertades, ja sigui a nivell individual o, en el nostre cas, a Schneider. Actualment, més que mai, les empreses gestionen un gran flux de dades el qual pot ser beneficiós si es disposen de les eines necessàries per processar-lo i, si alhora de prendre iniciatives, s’enfoquen adequadament. Al llarg de la història, les persones s’han basat en la intuïció per orientar-se, però seria un error fer-ho quan es disposen de les eines apropiades per millorar-ne el resultats. Diversos estudis demostren que les organitzacions que utilitzen les dades apropiadament, experimenten millores significatives en la presa de decisions de forma tres cops més probable que les que no ho fan. En relació amb el treball, l’objectiu d’aquest és la combinació de diferents taules de SAP per tal de dur a terme el seguiment de comandes que entren als sistemes de Schneider i poder mesurar la càrrega de treball de l’equip que en gestiona el procés. Cal destacar que aquest projecte s’ha realitzat en col·laboració amb Sergio Sanz i diferents membres del departament que m’han orientat en el procés d’entendre la informació tractada, la seva extracció y la seva exposició per tal de fer-la més comprensible de cara a l’usuari final. En concret, s’ha fet servir l’Alteryx (un programa de tractament de dades) per correlacionar les diferents taules i obtenir la informació condensada en un únic fitxer per, posteriorment, dur a terme la creació de diferents “dashboards” a Tableau, el qual és un software on es mostra la informació final acuradament en forma de gràfiques i taules. Finalment, es publicaran els resultats en el servidor de l’empresa per tal de que les persones interessades puguin consultar les dades i realitzar-ne el seguiment conseqüent de forma que serveixi per a prendre accions en consonància., A lo largo de la historia, la gestión de la información siempre ha sido un factor clave para tomar decisiones informadas, ya sea a nivel individual o, en nuestro caso, en Schneider. En la actualidad, más que nunca, las empresas manejan un gran flujo de datos, lo cual puede ser beneficioso si cuentan con las herramientas necesarias para procesarlo y si, al tomar iniciativas, se enfocan adecuadamente. A lo largo del tiempo, las personas han confiado en la intuición como guía, pero sería un error hacerlo cuando se disponen de las herramientas apropiadas para mejorar los resultados. Diversos estudios demuestran que las organizaciones que utilizan los datos de manera apropiada experimentan mejoras significativas en la toma de decisiones, tres veces más probable que las que no lo hacen. En relación con el trabajo, el objetivo de este proyecto es la combinación de diferentes tablas de SAP para llevar a cabo el seguimiento de pedidos que ingresan a los sistemas de Schneider y medir la carga de trabajo del equipo que gestiona el proceso. Cabe destacar que este proyecto se ha llevado a cabo en colaboración con Sergio Sanz y varios miembros del departamento que me han orientado en el proceso de entender la información tratada, su extracción y su presentación para hacerla más comprensible para el usuario final. Específicamente, se ha utilizado Alteryx (un programa de procesamiento de datos) para correlacionar las diferentes tablas y obtener la información condensada en un único archivo, y posteriormente, llevar a cabo la creación de diferentes "dashboards" en Tableau, que es un software donde se muestra la información final de manera precisa en forma de gráficos y tablas. Finalmente, los resultados se publicarán en el servidor de la empresa para que las personas interesadas puedan consultar los datos y realizar el seguimiento para tomar acciones en consecuencia., Throughout history, information management has always been a key factor for making informed decisions, whether at an individual level or, in our case, at Schneider. Nowadays, more than ever, companies handle a large flow of data, which can be beneficial if they have the necessary tools to process it and if, when taking initiatives, they focus appropriately. Over time, people have relied on intuition for guidance, but it would be a mistake to do so when the appropriate tools are available to improve results. Various studies show that organizations that use data appropriately experience significant improvements in decision-making, three times more likely than those that do not. Regarding work, the objective of this is the combination of different SAP tables to carry out the tracking of orders entering the Schneider systems and to measure the workload of the team managing the process. It is worth noting that this project has been carried out in collaboration with Sergio Sanz and various members of the department who have guided me in the process of understanding the treated information, its extraction, and its presentation to make it more understandable for the end user. Specifically, Alteryx (a data processing program) has been used to correlate the different tables and obtain the condensed information in a single file, and subsequently, to create different dashboards in Tableau, which is software where the final information is accurately displayed in the form of charts and tables. Finally, the results will be published on the company's server so that interested parties can consult the data and carry out the subsequent tracking to take actions accordingly

El projecte se centra en abordar la complexitat de la segmentació i l'extracció de característiques del papil·loma invertit i la mucosa en imatges de tomografia computada (TC), en les quals la superposició de densitats entre totes dues lesions pot ocasionalment dificultar la seva clara diferenciació. Es proposa utilitzar diferents tipus d'imatges, com la ressonància magnètica (RM), dades de biòpsies i l'historial clínic del pacient, juntament amb l'experiència d'un neuroradiòleg per a aconseguir una segmentació precisa d'aquestes lesions. La combinació d'aquestes fonts d'informació pretén proporcionar un sòlid conjunt de dades radiòmiques per a distingir i classificar les ambdues lesions. L'objectiu final de l'estudi d'extracció de característiques és obtenir valors clau de diferents paràmetres significatius per a diferenciar eficaçment el papil·loma invertit i la mucosa en imatges de TC, proporcionant així una eina valuosa en el diagnòstic i tractament d'aquestes afeccions mèdiques., El proyecto se centra en abordar la complejidad de la segmentación y la extracción de características del papiloma invertido y la mucosa en imágenes de tomografía computarizada (TC), en las que la superposición de densidades entre ambas lesiones puede ocasionalmente dificultar su clara diferenciación. Se propone utilizar distintos tipos de imágenes, como la resonancia magnética (RM), datos de biopsias y el historial clínico del paciente, junto con la experiencia de un neuroradiólogo para lograr una segmentación precisa de estas lesiones. La combinación de estas fuentes de información pretende proporcionar un sólido conjunto de datos radiómicos para distinguir y clasificar las lesiones. El objetivo final del estudio de extracción de características radiómicas es obtener valores clave de diferentes parámetros significativos para diferenciar eficazmente el papiloma invertido y la mucosa en imágenes de TC, proporcionando así una herramienta valiosa en el diagnóstico y tratamiento de estas afecciones médicas., The project focuses on addressing the complexity of segmentation and feature extraction of inverted papilloma and mucosa on computed tomography (CT) images, where overlapping densities between the two lesions can occasionally make it difficult to clearly differentiate them. It is proposed to use different types of images, such as magnetic resonance imaging (MRI), biopsy data and the patient's clinical history, together with the expertise of a neuroradiologist to achieve an accurate segmentation of these lesions. The combination of these sources of information is intended to provide a robust radiomic data set to distinguish and classify lesions. The ultimate goal of the radiomic feature extraction study is to obtain key values of different significant parameters to effectively differentiate inverted papilloma and mucosa on CT images, thus providing a valuable tool in the diagnosis and treatment of these medical conditions.

L’estàndard DICOM va ser creat amb l’objectiu de garantir la uniformitat i la capacitat de comunicació entre diferents establiments mèdics. Aquest estàndard estableix un conjunt de característiques que acompanyen totes les imatges mèdiques per igual, a més d’afegir un cert nivell de seguretat a aquestes imatges. A més, també conté, més enllà de la pròpia imatge corresponent a la prova mèdica en qüestió, un conjunt d’informació tant sobre el pacient, el centre on s’ha realitzat la prova mèdica o el metge que l’ha realitzat, entre d’altres. En el moment de dur a terme estudis i/o investigació, tots aquests camps d’informació confidencial han de ser eliminats o substituïts per altres que no exposin al pacient. Així doncs, aquest projecte pretén crear una eina capaç de separar totes aquestes dades dels fitxers originals en múltiples imatges alhora, i així facilitar la tasca de preparació de les imatges per a estudis i/o recerca., El estándar DICOM fue creado con el objetivo de garantizar la uniformidad y la capacidad de comunicación entre diferentes establecimientos médicos. Dicho estándar establece un conjunto de características que acompañan a todas las imágenes médicas por igual, además de añadir cierto nivel de seguridad a dichas imágenes. Este estandarte contiene, más allá de la propia imagen correspondiente a una prueba médica concreta, un conjunto de información sobre el paciente, el centro dónde se ha realizado la prueba médica o el médico que la ha realizado, entre muchos otros campos de información privada. En el momento de utilizar imágenes de dichas pruebas con el objetivo de realizar ciertos estudios y/o investigación, todos estos campos de información confidencial deben ser eliminados o sustituidos por otros que no expongan al paciente. Así pues, este proyecto pretende crear una herramienta capaz de separar todos estos datos de los archivos originales en múltiples imágenes a la vez, para facilitar la tarea de preparación del material para los estudios y/o la investigación., The DICOM standard was created with the aim of ensuring uniformity and communication between different medical establishments. This standard established a set of features that accompany all medical images equally, in addition to contributing with certain level of security to these images. Beyond the medical image itself, the files of this standard contain a set of information about the patient, the medical center where the test was performed, or the doctor who conducted it, among many other fields of private information. When these files are used for the purpose of conducting studies and/or research, all these confidential information fields must be removed or replaced with new data that does not expose the patient. Therefore, this project aims to create a tool capable of separating this data from the original files (for multiple files at the same time), with the objective of facilitating the preparation of the images for studies and/or research.

© ACM 2023. This is the author's version of the work. It is posted here for your personal use. Not for redistribution. The definitive Version of Record was published in Advances in Soft Computing: 22nd Mexican International Conference on Artificial Intelligence, MICAI 2023, Yucatán, Mexico, November 13-18, 2023, proceedings, part IIhttp://dx.doi.org/10.1007/978-3-031-47640-2_14, This contribution presents a deep learning method for the segmentation of prostate zones in MRI images based on U-Net using additive and feature pyramid attention modules, which can improve the workflow of prostate cancer detection and diagnosis. The proposed model is compared to seven different U-Net-based architectures. The automatic segmentation performance of each model of the central zone (CZ), peripheral zone (PZ), transition zone (TZ) and Tumor were evaluated using Dice Score (DSC), and the Intersection over Union (IoU) metrics. The proposed alternative achieved a mean DSC of 84.15% and IoU of 76.9% in the test set, outperforming most of the studied models in this work except from R2U-Net and attention R2U-Net architectures., The authors wish to acknowledge the Mexican Council for Science and Technology (CONACYT) for the support in terms of post graduate scholarships in this project, and the Data Science Hub at Tecnologico de Monterrey for their support on this project., Peer Reviewed, Postprint (author's final draft)

Les malformacions arteriovenoses cerebrals (MAV) representen la principal etiologia de l'hemorràgia intracranial pediàtrica. Diversos estudis assenyalen com a convenient l'ús de tècniques d'imatge no invasives per monitoritzar l'efecte del tractament de les MAV cerebrals, com ara la tècnica Arteria Spin- Labeling (ASL), ja que una correcta obliteració pot donar-se fins a dos anys després de el tractament, requerint un seguiment posterior. A més, l'avanç de la tecnologia ha contribuït a l'aplicació de la intel·ligència artificial (IA) en diferents àmbits, com és el cas de la imatge medica, oferint grans oportunitats de progrés i innovació per la seva capacitat per resoldre problemes cognitius que normalment requereixen intel·ligència humana. Els models poden ser entrenats i validats juntament amb professionals del sector de salut, de manera que aquests puguin ser integrats al seu procés de treball i servir com a ajuda. Un requisit indispensable perquè això passi és poder proporcionar una explicació a les decisions preses per una xarxa neuronal. Per això, les tècniques d'explicabilitat permeten als humans comprendre i confiar en la sortida generada per un algorisme. A partir d'una base de dades d'imatges d'ASL de pacients pediàtrics proporcionada per l'Hospital Sant Joan de Déu a Barcelona, aquest projecte es desenvolupa en col·laboració amb aquest hospital, amb l'objectiu de desenvolupar un model de Deep Learning (DL) explicable que permeti detectar la presència de MAV a ASL. En primer lloc, es defineixen diversos models i s'entrenen amb aquestes dades. Posteriorment, s'apliquen el mètode Gradient-weighted Class Activation Mapping (GradCAM) com a tècnica d'explicabilitat, i s'escull el millor model tenint en compte els resultats de diferents mètriques i les explicacions que generen sobre les seves decisions. Finalment, s'aconsegueix un model entrenat que és capaç de detectar la presència d'AVM amb alta precisió a més de proporcionar explicacions transparents i lògiqu, Las malformaciones arteriovenosas cerebrales (MAV) representan la principal etiología de la hemorragia intracraneal pediátrica. Diversos estudios señalan como conveniente el uso de técnicas de imagen no invasivas para monitorizar el efecto del tratamiento de las MAV cerebrales, como La secuencia pseudocontinuous arterial spin-labeling (ASL), ya que una correcta obliteración de estas puede darse hasta dos años después de el tratamiento, requiriendo de un seguimiento posterior. Además, el avance de la tecnología ha contribuido a la aplicación de la inteligencia artificial (IA) en múltiples ámbitos, como es el caso de la imagen medica, ofreciendo grandes oportunidades de progreso e innovación por su capacidad para resolver problemas cognitivos que normalmente requieren inteligencia humana. Los modelos pueden ser entrenados y validados junto a profesionales del sector de salud, de forma que estos puedan ser integrados en su proceso de trabajo y servir como ayuda. Un requisito indispensable para que esto suceda es poder proporcionar una explicación a las decisiones tomaras por una red neuronal. Por ello, las técnicas de explicabilidad permiten a los usuarios humanos comprender y confiar en la salida generada por un algoritmo. A partir de una base de datos de imágenes de ASL de pacientes pediátricos proporcionada por el Hospital Sant Joan de Déu en Barcelona, este proyecto se desarrolla en colaboración con dicho hospital, con el objetivo de desarrollar de un modelo de Deep Learning explicable que permita detectar la presencia de MAV en ASL. En primer lugar, se definen varios modelos y se entrenan con estos datos. Posteriormente, se aplican el método Gradient-weighted Class Activation Mapping (GradCAM) como técnica de explicabilidad, y se escoge el mejor modelo teniendo en cuenta los resultados de diferentes métricas, así como las explicaciones que generan acerca de sus decisiones. Finalmente, se logra un modelo entrenado que es capaz de detectar la presencia de AVM con al, Cerebral arteriovenous malformations (AVMs) represent the main aetiology of paediatric intracranial haemorrhage. Several studies point to the use of non-invasive imaging techniques to monitor the effect of treatment of cerebral AVMs, such as the pseudocontinuous arterial spin-labeling (ASL) sequence, since correct AVM obliteration can occur up to two years after treatment, requiring subsequent follow- up. In addition, advances in technology have contributed to the application of artificial intelligence (AI) in multiple fields, such as medical imaging, offering great opportunities for progress and innovation due to its ability to solve cognitive problems that normally require human intelligence. The models can be trained and validated together with healthcare professionals, so that they can be integrated into their work process and serve as an aid. A prerequisite for this to happen is to be able to provide an explanation for the decisions made by a neural network. Therefore, explainability techniques allow human users to understand and trust the output generated by an algorithm. Using a database of ASL images of paediatric patients provided by the Hospital Sant Joan de Déu in Barcelona, this project is developed in collaboration with this hospital, with the aim of developing an explainable Deep Learning (DL) model to detect the presence of AVMs in ASL. First, several models are defined and trained with these data. Subsequently, the GradCAM method (Gradient-weighted Class Activation Mapping) is applied as an explainability technique, and the best model is chosen taking into account the results of different metrics, as well as the explanations they generate about their decisions. Finally, a trained model is achieved that is able to detect the presence of AVM with a high accuracy, in addition to providing transparent and logical explanations validated by neuroradiologists

Les anomalies arteriovenoses cerebrals (MAV) constitueixen la principal causa de les hemorràgies intracraneals en infants. Diversos estudis assenyalen la necessitat d'utilitzar tècniques d'imatge no invasives per visualitzar els efectes dels tractaments d'aquestes anomalies. Una de les tècniques més prometedores són les imatges ASL (arterial spin-labeling). D'altra banda, l'aplicació de la intel·ligència artificial (IA) en diferents camps, com la imatge mèdica, ha estat possible gràcies a l'avanç tecnològic. Aquesta aplicació ofereix grans oportunitats per al progrés i la innovació en abordar problemes cognitius que normalment requereixen habilitats humanes. És possible entrenar i validar models en col·laboració amb professionals de la salut, el que permet integrar-los en els processos de treball i utilitzar-los com a eines de suport. Un aspecte clau per aconseguir-ho és la capacitat de proporcionar explicacions clares i comprensibles sobre les decisions preses pels sistemes basats en xarxes neuronals. Les tècniques d'explicabilitat juguen un paper fonamental en permetre als usuaris humans comprendre i confiar en els resultats generats pels algoritmes d'IA. En col·laboració amb l'Hospital Sant Joan de Déu a Barcelona, es desenvolupa aquest projecte utilitzant una base de dades d'imatges ASL de pacients pediàtrics proporcionada pel mateix hospital. L'objectiu principal és crear un model de Deep Learning transparent que pugui detectar la presència de MAV en ASL. En primer lloc, es defineixen i entrenen diversos models utilitzant aquestes dades. Després, s'aplica la tècnica de Grad-CAM, que consisteix en el mapeig d'activació de classes ponderat per gradient, per obtenir explicacions sobre les decisions del model. El millor model se selecciona tenint en compte diverses mètriques i les explicacions generades per Grad-CAM., Las anomalías arteriovenosas cerebrales (MAV) constituyen la principal causa de la hemorragia intracraneal en niños. Diversos estudios señalan que existe una necesidad de que se usen técnicas de imágen no invasivas para visualizar los efectos de los tratamientos de estas anomalías. Una de las técnicas más prometedoras son las imágenes ASL (arterial spin-labeling). Por otra parte, la aplicación de la inteligencia artificial (IA) en diferentes campos, como la imagen médica, ha sido posible gracias al avance tecnológico. Esta aplicación ofrece grandes oportunidades para el progreso e innovación al abordar problemas cognitivos que normalmente requieren habilidades humanas. Es posible entrenar y validar modelos en colaboración con profesionales de la salud, lo que permite integrarlos en los procesos de trabajo y utilizarlos como herramientas de apoyo. Un aspecto clave para lograr esto es la capacidad de proporcionar explicaciones claras y comprensibles sobre las decisiones tomadas por los sistemas basados en redes neuronales. Las técnicas de explicabilidad desempeñan un papel fundamental al permitir a los usuarios humanos comprender y confiar en los resultados generados por los algoritmos de IA. En colaboración con el Hospital Sant Joan de Déu en Barcelona, se desarrolla este proyecto utilizando una base de datos de imágenes de ASL de pacientes pediátricos proporcionada por el mismo hospital. El objetivo principal es crear un modelo de Deep Learning transparente que pueda detectar la presencia de MAV en ASL. En primera instancia, se definen y entrenan varios modelos utilizando estos datos. Luego, se aplica la técnica de Grad-CAM, que consiste en mapeo de activación de clases ponderado por gradiente, para obtener explicaciones sobre las decisiones del modelo. El mejor modelo se selecciona considerando diversas métricas y las explicaciones generadas por Grad_CAM., Cerebral arteriovenous malformations (AVMs) are the main cause of intracranial hemorrhage in children. Various studies indicate the need to use non-invasive imaging techniques to visualize the effects of treatments for these anomalies. One of the most promising techniques is arterial spin-labeling (ASL) imaging. Furthermore, the application of artificial intelligence (AI) in different fields, such as medical imaging, has been made possible by technological advancements. This application offers significant opportunities for progress and innovation in addressing cognitive problems that typically require human skills. It is possible to train and validate models in collaboration with healthcare professionals, enabling their integration into work processes and use as support tools. A key aspect to achieve this is the ability to provide clear and understandable explanations for the decisions made by neural network-based systems. Explainability techniques play a fundamental role in enabling human users to comprehend and trust the results generated by AI algorithms. In collaboration with the Hospital Sant Joan de Déu in Barcelona, this project is being developed using a database of ASL images from pediatric patients provided by the hospital itself. The main objective is to create a transparent Deep Learning model capable of detecting the presence of AVMs in ASL. Initially, several models are defined and trained using this data. Subsequently, the Grad-CAM technique, which involves gradient-weighted class activation mapping, is applied to obtain explanations for the model's decisions. The best model is selected considering various metrics and the explanations generated by Grad-CAM. Finally, the aim is to facilitate the implementation of these models in future projects related to medical imaging, providing an easy and fast solution to adapt to different image sets.

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 ma, 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 millo, 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 result

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.

La malaltia de l'artèria coronària (CAD) és una malaltia cardiovascular prevalent i la principal causa de mortalitat a tot el món entre les persones menors de 65 anys. Es caracteritza per l'estrenyiment de les artèries coronàries, que es pot diagnosticar mitjançant la utilització de la tomografia computeritzada coronària (TCA). Dins d'un entorn hospitalari, el procés d'informe manual per als pacients amb sospita de CAD normalment requereix aproximadament 40 minuts per pacient, i aproximadament el 65% d'aquests casos no presenten una oclusió significativa dels vasos. S'ha proposat la integració de la intel·ligència artificial (IA) com a mitjà per optimitzar el flux de treball del metge facilitant el processament automatitzat de casos no crítics. Per formar adequadament i, posteriorment, implementar algorismes d'IA en el diagnòstic de CAD, l'establiment d'una base de dades estructurada esdevé crucial. Aquesta investigació presenta una metodologia integral per a la creació d'una base de dades clínica que incorpori dades derivades de la imatge i dades clíniques. La metodologia comença abordant els criteris de selecció de pacients i establint una distribució adequada dels pacients. Posteriorment, abasta diversos aspectes com la recuperació d'imatges, l'anotació i la validació per part d'un expert clínic. Finalment, s'aclareix la integració de dades tant clíniques com d'imatge en una base de dades compatible amb sistemes d'IA. Per il·lustrar la implementació pràctica de la metodologia, s'utilitza un escenari de casos d'ús que inclou 30 casos distribuïts específicament. Les dades resultants s'emmagatzemen posteriorment en un sistema de gestió de dades a mida dissenyat per adaptar-se als requisits del projecte., La enfermedad de las arterias coronarias (EAC) es una afección cardiovascular prevalente y la principal causa de mortalidad en todo el mundo entre las personas menores de 65 años. Se caracteriza por el estrechamiento de las arterias coronarias, que se puede diagnosticar mediante la utilización de angiografía por tomografía computarizada coronaria (ATCC). Dentro de un entorno hospitalario, el proceso de informe manual para pacientes con sospecha de CAD generalmente requiere aproximadamente 40 minutos por paciente, y aproximadamente el 65% de estos casos no muestran una oclusión significativa del vaso. La integración de la Inteligencia Artificial (IA) se ha propuesto como un medio para optimizar el flujo de trabajo clínico al facilitar el procesamiento automatizado de casos no críticos. Para entrenar adecuadamente, y posteriormente implementar algoritmos de IA en el diagnóstico de CAD, el establecimiento de una base de datos estructurada se vuelve crucial. Esta investigación presenta una metodología integral para la creación de una base de datos clínica que incorpora datos clínicos y derivados de imágenes. La metodología comienza abordando los criterios de selección de pacientes y estableciendo una adecuada distribución de pacientes. Posteriormente, abarca varios aspectos, como la recuperación de imágenes, la anotación y la validación por parte de un experto clínico. Finalmente, se aclara la integración de datos clínicos y de imágenes en una base de datos compatible con los sistemas de IA. Para ilustrar la implementación práctica de la metodología, se emplea un escenario de caso de uso que involucra 30 casos distribuidos específicamente. Los datos resultantes se almacenan posteriormente en un sistema de gestión de datos personalizado diseñado para adaptarse a los requisitos del proyecto., Coronary artery disease (CAD) is a prevalent cardiovascular condition and the leading cause of mortality worldwide among individuals under 65 years of age. It is characterized by the narrowing of the coronary arteries, which can be diagnosed through the utilization of Coronary Computed Tomography Angiography (CCTA). Within a hospital setting, the manual reporting process for patients suspected of CAD typically requires approximately 40 minutes per patient, and approximately 65% of these cases do not exhibit significant vessel occlusion. The integration of Artificial Intelligence (AI) has been proposed as a means to optimize clinician workflow by facilitating automated processing of non-critical cases. To adequately train and subsequently implement AI algorithms in CAD diagnosis, the establishment of a structured database becomes crucial. This research presents a comprehensive methodology for the creation of a clinical database that incorporates both imaging-derived and clinical data. The methodology begins by addressing the patient selection criteria and establishing a suitable patient distribution. Subsequently, it encompasses various aspects such as image retrieval, annotation, and validation by a clinical expert. Finally, the integration of both clinical and imaging data into a database compatible with AI systems is elucidated. To illustrate the practical implementation of the methodology, a use-case scenario involving 30 specifically distributed cases is employed. The resulting data is subsequently stored in a tailored data management system (DMS) designed to accommodate the requirements of the project.

De ben segur que tots, alguna vegada, hem sentit a parlar del que s'anomena Intel·ligència Artificial (IA). Aquesta temàtica, de nom misteriós i protagonista en la majoria de converses i tertúlies d'avui dia, és altament extensa. Aquest projecte es centra en una part de l'Intel·ligència Artificial anomenada deep learning, que literalment es tradueix a "aprenentatge profund". Aquesta branca de la IA molt present en el nostre dia a dia, va començar sent una revolució en el camp del processament i identificació d'imatges. L'objectiu del treball és tornar als seus inicis. S'intentarà comprendre cadascun dels conceptes clau pel seu desenvolupament, i es comprovarà el comportament en l'àmbit de classificació i detecció d'imatges mèdiques. Concretament es treballarà amb imatges endoscòpiques de còlon, on la presència i la no presència de pòlips serà el factor determinant. Es compararan totes les xarxes neuronals convolucionals que ofereix Matlab per a veure quina aporta millors resultats. També, es comprovaran diferents mètodes de localització de pòlips en imatges. Finalment, es valoraran els resultats per a veure si s'ha pogut aconseguir un programa d'identificació de pòlips en imatges endoscòpiques més fiable que un humà., Seguro que todos, alguna vez, hemos oído hablar de lo que se llama Inteligencia Artificial (IA). Esta temática, de nombre misterioso y protagonista en la mayoría de conversaciones y tertulias, es altamente extensa. Este proyecto se centra en una parte de la Inteligencia Artificial llamada deep learning, que literalmente se traduce en "aprendizaje profundo". Esta rama de la IA, muy presente en nuestro día a día, comenzó siendo una revolución en el campo del procesamiento e identificación de imágenes. El objetivo del trabajo es volver a sus inicios. Se intentará comprender cada uno de los conceptos clave para su desarrollo, y se comprobará el comportamiento en el ámbito de clasificación y detección de imágenes médicas. Concretamente se trabajará con imágenes endoscópicas de colon, donde la presencia y la no presencia de pólipos será el factor determinante. Se compararán todas las redes neuronales convolucionales que ofrece Matlab para ver cuál aporta mejores resultados. También, se comprobarán diferentes métodos de localización de pólipos en imágenes. Por último, se valorarán los resultados para ver si se ha podido conseguir un programa de identificación de pólipos en imágenes endoscópicas más fiable que un humano., Surely we have all, at one time or another, heard of what is called Artificial Intelligence (AI). This subject, with a mysterious name and protagonist in most conversations, is very extensive. This project is focused on a part of Artificial Intelligence called "deep learning". This branch of AI, which is very present in our day-to-day life, started as a revolution in the field of image processing and identification. The aim of this project is to return to its beginnings. We will try to understand each of the key concepts for its development. As well as its behavior in the field of classification and detection of medical images. Specifically, we will work with colon endoscopic images, where the presence and absence of polyps will be the determining factor. All convolutional neural networks offered by Matlab will be compared to see which one offers better results. Also, different methods of locating polyps in images will be checked. Finally, the results are going to be evaluated to see if it has been possible to achieve a polyp identification program for endoscopic images that is more reliable than a human.

El següent projecte de recerca té com a objectiu facilitar l’accés i l’ús d’imatges mèdiques, en específic imatges histopatològiques, als científics, enginyers i professionals de la salut mitjançant la generació d’imatges sintètiques. Aquestes imatges sintètiques, en tractar-se d’imatges considerades anònimes, compleixen amb les regulacions de protecció de privacitat de dades mèdiques. Aquest enfocament permet crear un conjunt de dades diverses i representatives que aborda els reptes de l’accés limitat i sensible a l’accés de dades mèdiques i proporcionar una eina per entrenar models d’aprenentatge automàtic que tinguin la capacitat de diagnosticar malalties, com per exemple, el càncer de mama, millorant la precisió dels models i la fiabilitat dels resultats., El siguiente proyecto de investigación tiene como objetivo facilitar el acceso y uso de imágenes médicas, en específico imágenes histopatológicas, a los científicos, ingenieros y profesionales de la salud mediante la generación de imágenes sintéticas. Estas imágenes sintéticas, al tratarse de imágenes consideradas anónimas, cumplen con las regulaciones de protección de privacidad de datos médicos. Este enfoque permite crear un conjunto de datos diversos y representativos que aborda los retos del acceso limitado y sensible al acceso de datos médicos y proporcionar una herramienta para entrenar modelos de aprendizaje automático que tengan la capacidad de diagnosticar enfermedades, como por ejemplo, el cáncer de mama, mejorando la precisión de los modelos y la confiabilidad de los resultados., The following research project aims to facilitate the access and use of medical images, specifically histopathological images, to scientists, engineers and health professionals through the generation of synthetic images. These synthetic images, as they are considered anonymous images, comply with the regulations for the protection of medical data privacy. This approach makes it possible to create a diverse and representative dataset that addresses the challenges of limited and sensitive access to medical data and provides a tool for training machine learning models that have the ability to diagnose diseases such as for example, breast cancer, improving the accuracy of the models and the reliability of the results.

Els criteris RANO són l'estàndard actual per fer el seguiment dels pacients amb tumors cerebrals ja que permeten avaluar l'evolució del tractament mitjançant l'obtenció dels diàmetres perpendiculars màxims al pla axial. Això no obstant, aquests criteris presenten una certa ambigüitat inter i intraoperador a l'hora de treure conclusions, que pot donar lloc a errors. Fent ús de les noves eines de segmentació automàtica de tumors mitjançant ML i IA, es vol desenvolupar una eina capaç d'obtenir les mètriques RANO de manera automatitzada de manera que s'obtinguin uns resultats precisos per aportar objectivitat, estandardització i reproductibilitat. Partint de les dades extretes del repositori públic de la Universitat de Califòrnia San Francisco Preoperative Diffuse Glioma MRI i l'eina de segmentació automàtica HD-GLIO, s'ha elaborat un algorisme capaç d'obtenir el diàmetre màxim en el pla axial, així com el seu valor en unitats del sistema mètric decimal i la visualització dels resultats en imatges de RM., Los criterios RANO son el estándar actual para realizar el seguimiento de los pacientes con tumores cerebrales ya que permiten evaluar la evolución del tratamiento mediante la obtención de los diámetros perpendiculares máximos en el plano axial. No obstante, estos criterios presentan cierta ambigüedad inter- e intraoperador a lo hora de sacar conclusiones, que puede dar lugar a errores. Haciendo uso de las nuevas herramientas de segmentación automática de tumores mediante ML e IA, se quiere desarrollar una herramienta capaz de obtener las métricas RANO de forma automatizada de forma que se obtengan unos resultados precisos para aportar objetividad, estandarización y reproducibilidad. Partiendo de los datos extraídos del repositorio público de The University of California San Francisco Preoperative Diffuse Glioma MRI y la herramienta de segmentación automática HD-GLIO, se ha elaborado un algoritmo capaz de obtener el diámetro máximo en el plano axial, así como su valor en unidades del sistema métrico decimal y la visualización de los resultados en imágenes de RM., The RANO criteria are the current standard for monitoring patients with brain tumours as they allow assessment of treatment progress by obtaining the maximum perpendicular diameters in the axial plane. However, these criteria present some inter- and intra-operator ambiguity when drawing conclusions, which can lead to errors. Making use of new tools for automatic tumour segmentation using ML and AI, the aim is to develop a tool capable of obtaining RANO metrics in an automated way in order to obtain accurate results that provide objectivity, standardisation and reproducibility. Based on data extracted from the public repository of The University of California San Francisco Preoperative Diffuse Glioma MRI and the HD-GLIO automatic segmentation tool, an algorithm has been developed capable of obtaining the maximum diameter in the axial plane, as well as its value in units of the decimal metric system and the visualisation of the results in MR images.

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.

L’infart de miocardi és una greu patologia cardíaca caracteritzada per la falta de subministrament sanguini a una part del múscul cardíac, que provoca danys permanents al cor. Encara que el nombre de morts anuals a causa d’aquesta malaltia és molt elevat, s’ha observat una reducció en les últimes dècades gràcies a millores en la seva detecció. Actualment, els pacients són sotmesos a exàmens histològics i anàlisis de sang per al diagnòstic. Ocasionalment, és necessari l’ajuda d’imatges de ressonància magnètica per a l’avaluació de l’anatomia del teixit del múscul cardíac. No obstant això, de vegades hi ha discordança entre les dades clíniques, els resultats dels exàmens i les imatges, fet que pot dificultar el diagnòstic. En aquest context, l’ús de models d’intel·ligència artificial s’ha convertit en una eina important que facilita aquest procés laboriós i proporciona resultats més ràpids i precisos. Per això, en aquest projecte es planteja l’estudi de diferents mètodes aplicats a una base de dades pública del repte EMIDEC i la implementació d’un codi propi per trobar els models que ofereixin els millors resultats possibles en el diagnòstic d’infart de miocardi, sense necessitat d’utilitzar un programari complex. El codi de classificació proposat està desenvolupat en Python i es troba disponible a través de la plataforma GitHub. Aquest codi fa ús d’una xarxa neuronal convolucional (CNN) per a l’anàlisi de les imatges cardíaques i la classificació dels casos dels pacients que han patit o no infart de miocardi. S’ha aconseguit una puntuació F1 del 94,19% i una exactitud del 92,86%, resultats que indiquen un bon rendiment del model de classificació., El infarto de miocardio es una grave patología cardíaca caracterizada por la falta de suministro sanguíneo a una parte del músculo cardíaco, que provoca daños permanentes en el corazón. Aunque el número de muertes anuales debidas a esta enfermedad es muy elevado, se ha observado una reducción en las últimas décadas gracias a su detección. Actualmente, los pacientes son sometidos a exámenes histológicos y análisis de sangre para el diagnóstico. Ocasionalmente, es necesaria la ayuda de imágenes de resonancia magnética para la evaluación de la anatomía del tejido del músculo cardíaco. No obstante, de vez en cuando hay discordancia entre los datos clínicos, los resultados de los exámenes y las imágenes, lo que puede dificultar el diagnóstico. En este contexto, el uso de modelos de inteligencia artificial se ha convertido en una herramienta importante que facilita este proceso laborioso y proporciona resultados más rápidos y precisos. Por ello, en este proyecto se plantea el estudio de diferentes métodos aplicados a una base de datos pública del reto EMIDEC y la implementación de un código propio para encontrar los modelos que ofrezcan los mejores resultados posibles en el diagnóstico de infarto de miocardio, sin necesidad de utilizar un programa complejo. El código de clasificación propuesto está desarrollado en Python y se encuentra disponible a través de la plataforma GitHub. Este código emplea una red neuronal artificial (CNN) para el análisis de las imágenes cardíacas y la clasificación de los casos de los pacientes que han sufrido o no infarto de miocardio. Se ha logrado una puntuación F1 del 94,19% y una exactitud del 92,86%, resultados que indican un buen rendimiento del modelo de clasificación., Myocardial infarction is a severe cardiac condition characterized by insufficient blood supply to a part of the heart muscle, resulting in permanent damage. Despite the high number of annual deaths attributed to this disease, advancements in detection have led to a decline in mortality rates over the past decades. Currently, diagnosis of myocardial infarction involves histological examinations and blood tests. In some cases, magnetic resonance imaging is employed to assess the cardiac muscle tissue. However, discrepancies between clinical data, test results and imaging can complicate accurate diagnosis. To address this challenge, the integration of artificial intelligence models has become a valuable tool that facilitates this work process and provides faster and more precise outcomes. Therefore, this project aims to explore various methodologies applied to the public EMIDEC challenge database and the implementation of a customized code to find the models that yield optimal results for diagnosing myocardial infarction, without relying on complex software. The classification code provided is implemented in Python and can be accessed on the GitHub platform. This code uses a convolutional neural network (CNN) to analyze cardiac images and classify patient cases on whether they have experienced myocardial infarction or not. The model achieved an F1-score of 94.19% and an accuracy of 92.86%, indicating its excellent performance in accurately classifying cases.

The third trimester of pregnancy is the most critical period for human brain development, during which significant changes occur in the morphology of the brain. The development of sulci and gyri allows for a considerable increase in the brain surface. In preterm newborns, these changes occur in an extrauterine environment that may cause a disruption of the normal brain maturation process. We hypothesize that a normalized atlas of brain maturation with cerebral ultrasound images from birth to term equivalent age will help clinicians assess these changes. This work proposes a semi-automatic Graphical User Interface (GUI) platform for segmenting the main cerebral sulci in the clinical setting from ultrasound images. This platform has been obtained from images of a cerebral ultrasound neonatal database images provided by two clinical researchers from the Hospital Sant Joan de Déu in Barcelona, Spain. The primary objective is to provide a user-friendly design platform for clinicians for running and visualizing an atlas of images validated by medical experts. This GUI offers different segmentation approaches and pre-processing tools and is user-friendly and designed for running, visualizing images, and segmenting the principal sulci. The presented results are discussed in detail in this paper, providing an exhaustive analysis of the proposed approach’s effectiveness., Peer Reviewed, Postprint (published version)

Segons les prediccions de la Organització Mundial de la Salut (OMS) pels voltants del 2030 la Malaltia Pulmonar Obstructiva Crònica (MPOC) es convertirá en la tercera causa de mort en tot el món. L’MPOC és una patologia que afecta a les vies respiratòries i als pulmons. Avui en dia esdevé crónica i incurable però, és una malaltia tractable i prevenible. Fins ara les proves de diagnòstic usades per a detectar l’MPOC es basen en l’espirometria, aquesta prova, tot i indicar el grau d’obstrucció al pas de l’aire que es produeix en els pulmons, sovint no és molt fiable. És per aquest motiu que s’estan començant a usar tècniques basades en algorismes de Deep Learning per a la classificaió més acurada d’aquesta patologia, basant-se en imatges tomogràfiques de pacients malalts d’MPOC. Les xarxes neuronals convolucionals en tres dimensions (3D-CNN) en són un exemple. A partir de les dades i les imatges obtingudes en l’estudi observacional d’ECLIPSE proporcionades per l’equip de recerca de BRGE de ISGlobal, s’implementa una 3D-CNN per a la classificació de pacients amb risc d’MPOC. Aquest treball té com a objectiu desenvolupar una recerca extensa sobre la recerca actual en aquest àmbit i proposa millores per a l’optimització i reducció del cost computacional d’una 3D-CNN per aquest cas d’estudi concret., Según las predicciones de la Organización Mundial de la Salud (OMS), para alrededor del 2030, la Enfermedad Pulmonar Obstructiva Crónica (EPOC) se convertirá en la tercera causa de muerte en todo el mundo. La EPOC es una enfermedad que afecta las vías respiratorias y los pulmones. En la actualidad, se considera crónica e incurable, pero es una enfermedad tratable y prevenible. Hasta ahora, las pruebas de diagnóstico utilizadas para detectar la EPOC se basan en la espirometría. Esta prueba, a pesar de indicar el grado de obstrucción en el flujo de aire que ocurre en los pulmones, a menudo no es muy confiable. Es por esta razón que se están empezando a utilizar técnicas basadas en algoritmos de Deep Learning para una clasificación más precisa de esta patología, utilizando imágenes tomográficas de pacientes enfermos de EPOC. Las redes neuronales convolucionales en tres dimensiones (3D-CNN) son un ejemplo de esto. A partir de los datos y las imágenes obtenidas en el estudio observacional ECLIPSE proporcionado por el equipo de investigación de BRGE de ISGlobal, se implementa una 3D-CNN para la clasificación de pacientes con riesgo de EPOC. Este trabajo tiene como objetivo desarrollar una investigación exhaustiva sobre la investigación actual en este campo y propone mejoras para la optimización y reducción del costo computacional de una 3D-CNN para este caso de estudio concreto., According to predictions by the World Health Organization (WHO), by around 2030, Chronic Obstructive Pulmonary Disease (COPD) will become the third leading cause of death worldwide. COPD is a condition that affects the respiratory tract and lungs. Currently, it is considered chronic and incurable, but it is a treatable and preventable disease. Up to now, diagnostic tests used to detect COPD have been based on spirometry. Despite indicating the degree of airflow obstruction in the lungs, this test is often not very reliable. That is why techniques based on Deep Learning algorithms are being increasingly used for more accurate classification of this pathology, based on tomographic images of COPD patients. Three-dimensional Convolutional Neural Networks (3D-CNN) are an example of such techniques. Based on the data and images obtained in the observational study called ECLIPSE, provided by the research team at BRGE of ISGlobal, a 3D-CNN is implemented for the classification of patients at risk of COPD. This work aims to conduct extensive research on the current state of research in this field and proposes improvements for the optimization and reduction of the computational cost of a 3D-CNN for this specific case study.

Aquest projecte té com a objectiu minimitzar la bretxa de coneixement entre metges i científics de dades mitjançant l'ús d'intel·ligència artificial per a l'anàlisi de dades clíniques. La plataforma SAVIA (Anàlisi Semi-Automàtic d'Importància de Variables) intenta dotar el personal clínic d'eines per interactuar amb models d'aprenentatge automàtic sense necessitat de coneixements prèvis. Aquesta integració d'intel·ligència artificial i recerca clínica està transformant la recerca tradicional i és considerada el futur de l'atenció mèdica. La plataforma SAVIA proporciona una interfície interactiva per analitzar factors de risc i protectors de la salut cerebral, prioritzant la facilitat d'ús i la transparència en els fluxos de processament de dades. Desenvolupada en Python i Jupyter Notebooks, permet al personal clínic explorar fàcilment diversos models predictius. Inicialment concebuda per al Projecte UKBiobank, una extensa base de dades de més de 400.000 subjectes sans i malalts, la plataforma s'ha ampliat amb la inclusió de variables de morfometria cerebral provinents d'una col·laboració amb l'Hospital Sant Joan de Déu (Barcelona), millorant la profunditat i complexitat dels models psicopatològicament rellevants que SAVIA pot produir. Aquest enfocament és un pas important cap a l'aprofitament complet del potencial del UKBiobank., Este proyecto busca minimizar la brecha de conocimiento entre médicos y científicos de datos mediante el uso de inteligencia artificial para el análisis de datos clínicos. La plataforma SAVIA (Análisis Semi-Automático de Importancia de Variables) intenta dotar al personal clínico de herramientas para interaccionar con modelos de aprendizaje automático sin necesidad de conocimientos previos. Esta integración de inteligencia artificial e investigación clínica está transformando la investigación tradicional y se considera el futuro de la atención médica. La plataforma SAVIA proporciona una interfaz interactiva para analizar factores de riesgo y protectores de salud cerebral, priorizando la facilidad de uso y la transparencia en los flujos de procesado de datos. Desarrollada en Python y Jupyter Notebooks, permitire al personal clínico la fácil exploración de diversos modelos predictivos. Originalmente concebida para el Proyecto UKBiobank, una extensa base de datos de más de 400.000 sujetos tanto sanos como enfermos, la plataforma se ha expandido con la inclusión de variables de morfometría cerebral surgidas de una colaboración con el Hospital Sant Joan de Déu (Barcelona), mejorando la profundidad y complejidad de los modelos psicopatológicamente relevantes que SAVIA puede producir. Este enfoque es un paso importante hacia el pleno aprovechamiento del potencial del UKBiobank., This project aims to provide a tool to bridge the knowledge gap between clinicians and data scientists in leveraging machine learning for clinical data analysis. A first version of the SAVIA (Semi-Automatic Variable Importance Analysis) platform has been developed to empower clinicians to interact with machine learning models without the need for a background in data science. This integration of artificial intelligence and clinical research is seen as pivotal for the future of healthcare, transforming how medical research is practiced. The SAVIA platform provides an interactive interface for analyzing risk and protective factors of brain health, prioritizing ease of use and transparent data processing workflows. Developed using Python and Jupyter Notebooks, it allows clinicians to explore various predictive models effortlessly. Originally conceived for the UKBiobank Project, a vast dataset of over 400.000 healthy and diseased subjects, the platform has expanded to include brain morphometry variables from a collaborative effort with the Sant Joan de Déu Hospital (Barcelona), enhancing the depth and complexity of the psychopathologically relevant models that the platform can produce. The obtained results are seen as a significant step towards harnessing the UKBiobank database's full potential.

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.

Postprint (published version)

The combustion of artificial fuels at Wildland-Urban Interface (WUI) homeowner scale has been identified as a contributor to fire spread through a property, often leading to the ignition of structures, hence involving major safety issues at community level. However, little information on the real-scale burning behaviour of these type of fuels is available. These fuels are usually located close to the main structure of a property and are often piled together, forming packs containing different types of materials. Real-scale tests on four different fuel packs have been performed to gather quantitative data on items that are commonly present on WUI properties. The fuel packs consisted of typical combustible materials present in porches, gardens, backyards or stored in secondary structures. Data on Heat Release Rate (HRR), Mass Loss Rate, fire load, smoke species concentration, heat flux, temperature and flame height are provided. The duration of the fires was between 49 and 83 min. Peak HRR values between 383 kW and 2.55 MW were recorded, along with flame heights up to 3.6 m. Radiative heat fluxes were calculated for each test, and safe distances for people were identified. Reported data can be used to quantify vulnerabilities of WUI properties through Performance-Based Design methodologies. Results show that the most hazardous fuel packs out of the four tested are those containing pallets, cardboard, paint, foam mats and garden furniture. In all cases, the flaming area expanded significantly increasing the risk of fire spread through a property even after the passage of the wildfire front., Peer Reviewed, Postprint (author's final draft)

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

In the field of medical imaging, the division of an image into meaningful structures using image segmentation is an essential step for pre-processing analysis. Many studies have been carried out to solve the general problem of the evaluation of image segmentation results. One of the main focuses in the computer vision field is based on artificial intelligence algorithms for segmentation and classification, including machine learning and deep learning approaches. The main drawback of supervised segmentation approaches is that a large dataset of ground truth validated by medical experts is required. In this sense, many research groups have developed their segmentation approaches according to their specific needs. However, a generalised application aimed at visualizing, assessing and comparing the results of different methods facilitating the generation of a ground-truth repository is not found in recent literature. In this paper, a new graphical user interface application (MedicalSeg) for the management of medical imaging based on pre-processing and segmentation is presented. The objective is twofold, first to create a test platform for comparing segmentation approaches, and secondly to generate segmented images to create ground truths that can then be used for future purposes as artificial intelligence tools. An experimental demonstration and performance analysis discussion are presented in this paper., Peer Reviewed, Postprint (published version)

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 propuesto, 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 ha, 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

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.

The aim of this study is to show the usefulness of collaborative work in the evaluation of prostate cancer from T2-weighted MRI using a dedicated software tool. The variability of annotations on images of the prostate gland (central and peripheral zones as well as tumour) by two independent experts was firstly evaluated, and secondly compared with a consensus between these two experts. Using a prostate MRI database, experts drew regions of interest (ROIs) corresponding to healthy prostate (peripheral and central zones) and cancer. One of the experts then drew the ROI with knowledge of the other expert’s ROI. The surface area of each ROI was used to measure the Hausdorff distance and the Dice coefficient was measured from the respective contours. They were evaluated between the different experiments, taking the annotations of the second expert as the reference. The results showed that the significant differences between the two experts disappeared with collaborative work. To conclude, this study shows that collaborative work with a dedicated tool allows consensus between expertise in the evaluation of prostate cancer from T2-weighted MRI., Peer Reviewed, Postprint (published version)

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 d, 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 q, 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, Objectius de Desenvolupament Sostenible::3 - Salut i Benestar

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.

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, aix, 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, 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 learn

Outgoing

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.

An analysis of accidents that occurred mainly in the chemical industry within the Mexican Republic throughout the last century was made. The country’s industrial growth has boosted its economic development, increasing the occurrence of high-impact accidents inside and outside chemical plants. The main purpose of this work was to create a database that contained information related to the accidents that occurred in the Mexican chemical industry. For this extensive investigation, it was necessary to obtain information from news, reports and articles related to this topic. In the database, 267 accidents were collected from 1900 until 2019. A statistical analysis showed that Petroleos Mexicanos , PEMEX, is the company with the highest accidents rate, because this company was a monopoly in the Mexican petrochemical industry until 2013. The types of accidents that occurred the most were explosions and fires, 122 and 55 of these reported accidents, respectively. The most frequently reported substances were diesel and gasoline with a 20% of the total accidents, followed by hydrocarbons and their derivatives with 18.7%. Finally, the importance of creating databases like this one is commented, with the objective of implementing better safety measures and improving the regulations that govern the nation., Peer Reviewed, Postprint (published version)

Although the effects of jet fires are often limited to rather short distances, if their flames impinge on a pipe or a vessel collapse can occur in very short times. In such cases, the heat flux on the affected equipment is very high and wall temperature can increase very rapidly. This can happen in parallel pipelines, if a release occurs and impinges on another one. Nevertheless, jet fire impingement has been scarcely studied. In this communication the results obtained from an experimental set-up are presented. Sonic jet fires impinged on a pipe containing stagnant air or water. The temperatures of the flames impinging on it were measured for the worst case (flame front-bright zone), as well as the evolution with time of the pipe wall temperature at different locations. Initial temperature increases up to around twenty °C/s were registered for the air inside, with maximum values of up to 600 °C reached in 2.5 min, and 800 °C in approximately 9 min. In the case of pipe containing water, in the zone of the wall in contact with the liquid the heating rates were much lower, the maximum temperature reached being up to approximately 150 °C. From the temperatures of the jet flames and of the pipe, the heat fluxes reaching the pipe and the corresponding heat transfer coefficients were obtained. The results obtained emphasized that safe distances are essential in pipelines, together with fire proofing and other safety measures., Peer Reviewed, Postprint (author's final draft)

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

Medical support systems used to assist in the diagnosis of prostate lesions generally related to prostate segmentation is one of the majors focus of interest in recent literature. The main problem encountered in the diagnosis of a prostate study is the localization of a Regions of Interest (ROI) containing a tumor tissue. In this paper, a new GUI tool based on a semi-automatic prostate segmentation is presented. The main rationale behind this tool and the focus of this article is facilitate the time consuming segmentation process used for annotating images in the clinical practice, enabling the radiologists to use novel and easy to use semi-automatic segmentation techniques instead of manual segmentation. In this work, a detailed specification of the proposed segmentation algorithm using an Active Contour Models (ACM) aided with a Gradient Vector Flow (GVF) component is defined. The purpose is to help the manual segmentation process of the main ROIs of prostate gland zones. Finally, an experimental case of use and a discussion part of the results are presented., Peer Reviewed, Postprint (published version)

We present the experimental performance analysis of a fire protection fabric for cars designed to protect people's life in case of fire entrapment. Two experimental burns were executed to simulate heat and smoke exposure conditions in case of vehicle entrapment in a rural road. For the first experimental burn, a 2-m high fuel bed of pine slash was arranged in a 13¿m¿×¿6 m area. Fire was ignited at one end of the fuel bed and spread wind driven (3 m/s midflame wind speed). 2.8¿m away from the other fuel bed end, a car covered with the fabric was placed parallel to the fire. Data analysis provided values of fire behavior and flame characteristics, being typical of wildfires of moderate intensity (1800¿kW/m). Maximum air temperatures inside the vehicle ranged around 41°C to 42.5°C, providing evidence of the fabric's good performance. To evaluate the degree of protection against smoke, air change rates were estimated with and without the fabric covering the car. Also, an experimental burn similar to the previous one was executed to monitor CO2 and CO concentrations inside the car. Tenable conditions for these gases were maintained during the whole test according to reviewed exposure criteria., Peer Reviewed, Postprint (author's final draft)

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.

Pediatric cerebral vascular diseases are still relatively unknown and have severe consequences at prognostic level. There is currently a lack of quantifiable measures to asses the diagnosis of these diseases, and this study aims to stablish dynamic and static biomarkers, based on the speed of the perfusion and the morphology of the main arterial vessels, respectively, to solve this lack. The main objective of the present work is to develop a technique to obtain an isochronal map that shows the perfusion speed of the blood trough the cerebral artery circle. The scope of this project are the pediatric patients suffering from Moyamoya disease and arteriovenous malformations, which form the database of magnetic resonance angiography image sequences, obtained with the TRANCE technique (Philips), that will be studied in this work. The database is provided by the Sant Joan de Déu hospital in Barcelona, and this work is carried out with the supervision and advice of Dr. Josep Munuera. The images have been filtered with a local adaptive filter in the first place to remove the significant amount of noise that some of the images presented. The filter is to be adjusted with two parameters to correctly adapt to the intensity of noise of each image. Then, they are segmented to obtain a binary representation of the arterial vessel structure using a K-means algorithm. The isochronal map is build using the binary representation of the vessel structure at each point of time (each point of time corresponds to a frame in the sequence). Dynamic biomarkers have been extracted from the isochronal map, and morphological biomarkers have been extracted after a binarization and skeletonization of the full arterial vessel structure, which is obtained summing all the frames in a sequence. The isochronal maps has been used once obtained to asses several cases and the biomarkers have been used to compare the effectiveness of a vasoactive drug, acetazolamide, by comparing the biomarkers before and

Aerial Thermal Infrared (TIR) imagery has demonstrated tremendous potential to monitor active forest fires and acquire detailed information about fire behavior. However, aerial video is usually unstable and requires inter-frame registration before further processing. Measurement of image misalignment is an essential operation for video stabilization. Misalignment can usually be estimated through image similarity, although image similarity metrics are also sensitive to other factors such as changes in the scene and lighting conditions. Therefore, this article presents a thorough analysis of image similarity measurement techniques useful for inter-frame registration in wildfire thermal video. Image similarity metrics most commonly and successfully employed in other fields were surveyed, adapted, benchmarked and compared. We investigated their response to different camera movement components as well as recording frequency and natural variations in fire, background and ambient conditions. The study was conducted in real video from six fire experimental scenarios, ranging from laboratory tests to large-scale controlled burns. Both Global and Local Sensitivity Analyses (GSA and LSA, respectively) were performed using state-of-the-art techniques. Based on the obtained results, two different similarity metrics are proposed to satisfy two different needs. A normalized version of Mutual Information is recommended as cost function during registration, whereas 2D correlation performed the best as quality control metric after registration., Peer Reviewed, Postprint (published version)

Herein, a facile approach toward transforming a 2D polypropylene flexible mesh material into a 4D dynamic system is presented. The versatile platform, composed by a substrate of knitted fibers of isotactic polypropylene (iPP) mesh and a coating of thermosensitive poly(N-isopropylacrylamide-co-N,N’-methylene bis(acrylamide) (PNIPAAm-co-MBA) hydrogel, covalently bonded to the mesh surface, after cold-plasma surface treatment and radical polymerization, is intended to undergo variations in its geometry via its reversible folding/unfolding behavior. The study is the first to trace the 3D movement of a flat surgical mesh, intended to repair hernia defects, under temperature and humidity control. An infrared thermographic camera and an optical microscope are used to evaluate the macroscopic and microscopic structure stimulus response. The presence of the PP substrate and the distribution of the gel surrounding the PP threads, affect both the PNIPAAM gel expansion/contraction as well as the time of folding/unfolding response. Furthermore, PP-g-PNIPAAm meshes show an increase in the bursting strength of ˜16% with respect to the uncoated mesh, offering a strongest and adaptable system for its future implantation in human body. The findings reported offer unprecedented application possibilities in the biomedical field., Peer Reviewed, Postprint (author's final draft)

Resolved

Postprint (updated version)

Postprint (updated version)

Sheltering inside a civilian vehicle has proved to be a high risk strategy in case of wildfire entrapment. Survival is by no means guaranteed, especially in moderate to high-intensity wildfires. However, vehicles do offer a certain degree of fire protection, which can be reinforced by ad-hoc fire resistant technology. In this paper, we present the experimental performance analysis of a self-protection system that has been designed to protect people’s life in case of fire entrapment. Similar to a firefighter fire shelter, the designed system can be quickly deployed covering the whole vehicle. In case of fire exposure, this fabric provides additional heat protection to the occupants and the vehicle itself. An experimental burning was designed in order to simulate real fire exposure conditions in case of vehicle entrapment in a rural road. An ex-situ 2-m high fuel bed composed of Pinus halepensis fine logging slash was arranged in a 13 m long x 6 m wide area. Fire was ignited at one end of the fuel bed and spread driven by an induced constant air flow (3 m/s midflame wind speed). 2.8 m away from the other fuel bed end, a car covered with the fire protection fabric was placed, parallel to the fire. Data analysis provided mean values of fire rate of spread (2 m/s), fireline intensity (1800 kW/m), flame height (6.5 m), flame tilt angle (30º), flame depth (2 m), flame temperature (800 ºC) and flame emissive power (47.5 kW/m2 ). Maximum air temperatures inside the vehicle ranged around 41-42.5 ºC during a period between 20 min and 35 min after ignition. A thermocouple in contact with the internal side of the driver’s window registered a maximum value of 47.3 ºC. These results evidenced the good performance of the fabric when protecting eventual vehicle occupants against thermal exposure from wildfires of moderate intensity., Peer Reviewed, Postprint (author's final draft)

Postprint (updated version)