Search

[ES] Las enfermedades cardiovasculares son una de las causas más predominantes de muerte y comorbilidad en los países desarrollados, por ello se han realizado grandes inversiones en las últimas décadas para producir herramientas de diagnóstico y aplicaciones de tratamiento de enfermedades cardíacas de alta calidad. Una de las mejores herramientas de diagnóstico para caracterizar el corazón ha sido la imagen por resonancia magnética (IRM) gracias a sus capacidades de alta resolución tanto en la dimensión espacial como temporal, lo que permite generar imágenes dinámicas del corazón para un diagnóstico preciso. Las dimensiones del ventrículo izquierdo y la fracción de eyección derivada de ellos son los predictores más potentes de morbilidad y mortalidad cardiaca y su cuantificación tiene connotaciones importantes para el manejo y tratamiento de los pacientes. De esta forma, la IRM cardiaca es la técnica de imagen más exacta para la valoración del ventrículo izquierdo. Para obtener un diagnóstico preciso y rápido, se necesita un cálculo fiable de biomarcadores basados en imágenes a través de software de procesamiento de imágenes. Hoy en día la mayoría de las herramientas empleadas se basan en sistemas semiautomáticos de Diagnóstico Asistido por Computador (CAD) que requieren que el experto clínico interactúe con él, consumiendo un tiempo valioso de los profesionales cuyo objetivo debería ser únicamente interpretar los resultados. Un cambio de paradigma está comenzando a entrar en el sector médico donde los sistemas CAD completamente automáticos no requieren ningún tipo de interacción con el usuario. Estos sistemas están diseñados para calcular los biomarcadores necesarios para un diagnóstico correcto sin afectar el flujo de trabajo natural del médico y pueden iniciar sus cálculos en el momento en que se guarda una imagen en el sistema de archivo informático del hospital. Los sistemas CAD automáticos, aunque se consideran uno de los grandes avances en el mundo de la radiología, son extremadamente difíciles de desarrollar y dependen de tecnologías basadas en inteligencia artificial (IA) para alcanzar estándares médicos. En este contexto, el aprendizaje profundo (DL) ha surgido en la última década como la tecnología más exitosa para abordar este problema. Más específicamente, las redes neuronales convolucionales (CNN) han sido una de las técnicas más exitosas y estudiadas para el análisis de imágenes, incluidas las imágenes médicas. En este trabajo describimos las principales aplicaciones de CNN para sistemas CAD completamente automáticos para ayudar en la rutina de diagnóstico clínico mediante resonancia magnética cardíaca. El trabajo cubre los puntos principales a tener en cuenta para desarrollar tales sistemas y presenta diferentes resultados de alto impacto dentro del uso de CNN para resonancia magnética cardíaca, separados en tres proyectos diferentes que cubren su aplicación en la rutina clínica de diagnóstico, cubriendo los problemas de la segmentación, estimación automática de biomarcadores con explicabilidad y la detección de eventos. El trabajo completo presentado describe enfoques novedosos y de alto impacto para aplicar CNN al análisis de resonancia magnética cardíaca. El trabajo proporciona varios hallazgos clave, permitiendo varias formas de integración de esta reciente y creciente tecnología en sistemas CAD completamente automáticos que pueden producir resultados altamente precisos, rápidos y confiables. Los resultados descritos mejorarán e impactarán positivamente el flujo de trabajo de los expertos clínicos en un futuro próximo., [CA] Les malalties cardiovasculars són una de les causes de mort i comorbiditat més predominants als països desenvolupats, s'han fet grans inversions en les últimes dècades per tal de produir eines de diagnòstic d'alta qualitat i aplicacions de tractament de malalties cardíaques. Una de les tècniques millor provades per caracteritzar el cor ha estat la imatge per ressonància magnètica (IRM), gràcies a les seves capacitats d'alta resolució tant en dimensions espacials com temporals, que permeten generar imatges dinàmiques del cor per a un diagnòstic precís. Les dimensions del ventricle esquerre i la fracció d'ejecció que se'n deriva són els predictors més potents de morbiditat i mortalitat cardíaca i la seva quantificació té connotacions importants per al maneig i tractament dels pacients. D'aquesta manera, la IRM cardíaca és la tècnica d'imatge més exacta per a la valoració del ventricle esquerre. Per obtenir un diagnòstic precís i ràpid, es necessita un càlcul fiable de biomarcadors basat en imatges mitjançant un programa de processament d'imatges. Actualment, la majoria de les ferramentes emprades es basen en sistemes semiautomàtics de Diagnòstic Assistit per ordinador (CAD) que requereixen que l'expert clínic interaccioni amb ell, consumint un temps valuós dels professionals, l'objectiu dels quals només hauria de ser la interpretació dels resultats. S'està començant a introduir un canvi de paradigma al sector mèdic on els sistemes CAD totalment automàtics no requereixen cap tipus d'interacció amb l'usuari. Aquests sistemes estan dissenyats per calcular els biomarcadors necessaris per a un diagnòstic correcte sense afectar el flux de treball natural del metge i poden iniciar els seus càlculs en el moment en què es deixa la imatge dins del sistema d'arxius hospitalari. Els sistemes CAD automàtics, tot i ser molt considerats com un dels propers grans avanços en el món de la radiologia, són extremadament difícils de desenvolupar i depenen de les tecnologies d'Intel·ligència Artificial (IA) per assolir els estàndards mèdics. En aquest context, l'aprenentatge profund (DL) ha sorgit durant l'última dècada com la tecnologia amb més èxit per abordar aquest problema. Més concretament, les xarxes neuronals convolucionals (CNN) han estat una de les tècniques més utilitzades i estudiades per a l'anàlisi d'imatges, inclosa la imatge mèdica. En aquest treball es descriuen les principals aplicacions de CNN per a sistemes CAD totalment automàtics per ajudar en la rutina de diagnòstic clínic mitjançant ressonància magnètica cardíaca. El treball recull els principals punts a tenir en compte per desenvolupar aquest tipus de sistemes i presenta diferents resultats d'impacte en l'ús de CNN a la ressonància magnètica cardíaca, tots separats en tres projectes principals diferents, cobrint els problemes de la segmentació, estimació automàtica de *biomarcadores amb *explicabilidad i la detecció d'esdeveniments. El treball complet presentat descriu enfocaments nous i potents per aplicar CNN a l'anàlisi de ressonància magnètica cardíaca. El treball proporciona diversos descobriments clau, que permeten la integració de diverses maneres d'aquesta tecnologia nova però en constant creixement en sistemes CAD totalment automàtics que podrien produir resultats altament precisos, ràpids i fiables. Els resultats descrits milloraran i afectaran considerablement el flux de treball dels experts clínics en un futur proper., [EN] Cardiovascular diseases are one of the most predominant causes of death and comorbidity in developed countries, as such heavy investments have been done in recent decades in order to produce high quality diagnosis tools and treatment applications for cardiac diseases. One of the best proven tools to characterize the heart has been magnetic resonance imaging (MRI), thanks to its high-resolution capabilities in both spatial and temporal dimensions, allowing to generate dynamic imaging of the heart that enable accurate diagnosis. The dimensions of the left ventricle and the ejection fraction derived from them are the most powerful predictors of cardiac morbidity and mortality, and their quantification has important connotations for the management and treatment of patients. Thus, cardiac MRI is the most accurate imaging technique for left ventricular assessment. In order to get an accurate and fast diagnosis, reliable image-based biomarker computation through image processing software is needed. Nowadays most of the employed tools rely in semi-automatic Computer-Aided Diagnosis (CAD) systems that require the clinical expert to interact with it, consuming valuable time from the professionals whose aim should only be at interpreting results. A paradigm shift is starting to get into the medical sector where fully automatic CAD systems do not require any kind of user interaction. These systems are designed to compute any required biomarkers for a correct diagnosis without impacting the physician natural workflow and can start their computations the moment an image is saved within a hospital archive system. Automatic CAD systems, although being highly regarded as one of next big advances in the radiology world, are extremely difficult to develop and rely on Artificial Intelligence (AI) technologies in order to reach medical standards. In this context, Deep learning (DL) has emerged in the past decade as the most successful technology to address this problem. More specifically, convolutional neural networks (CNN) have been one of the most successful and studied techniques for image analysis, including medical imaging. In this work we describe the main applications of CNN for fully automatic CAD systems to help in the clinical diagnostics routine by means of cardiac MRI. The work covers the main points to take into account in order to develop such systems and presents different impactful results within the use of CNN to cardiac MRI, all separated in three different main projects covering the segmentation, automatic biomarker estimation with explainability and event detection problems. The full work presented describes novel and powerful approaches to apply CNN to cardiac MRI analysis. The work provides several key findings, enabling the integration in several ways of this novel but non-stop growing technology into fully automatic CAD systems that could produce highly accurate, fast and reliable results. The results described will greatly improve and impact the workflow of the clinical experts in the near future.

[Resumen]: La degeneración macular asociada a la edad (DMAE) es una de las principales causas de pérdida de visión en individuos mayores de 50 años. Los primeros indicadores de esta enfermedad, las drusas, son minúsculas acumulaciones de material que se forman en la retina. Detectar, segmentar y cuantificar estas drusas en las imágenes de tomografía de coherencia óptica (OCT) es un paso crítico para el diagnóstico temprano y seguimiento de la DMAE. Sin embargo, este proceso puede ser un desafío debido a las variaciones en el tamaño, la forma y la distribución de las drusas. En este trabajo, presentamos una metodología robusta basada en técnicas de aprendizaje profundo y procesamiento de imágenes para mejorar la precisión y la eficiencia en la segmentación, identificación y cuantificación de drusas. La metodología propuesta consta de dos fases. En la primera, se realiza una segmentación automática de las drusas utilizando diferentes arquitecturas de aprendizaje profundo, aprovechando su capacidad para manejar las variaciones en las imágenes OCT. En la segunda fase, implementamos un módulo para la identificación y cuantificación automática de las drusas, proporcionando información detallada sobre su número y distribución en la retina. El impacto potencial de este estudio es considerable. La mejora en la precisión de la segmentación de drusas abre la puerta a diagnósticos más tempranos y precisos de la DMAE, lo que puede llevar a tratamientos más efectivos y resultados mejorados para los pacientes. Además, al abordar un desafío clave en la oftalmología con técnicas de inteligencia artificial y procesamiento de imágenes, este trabajo podría sentar las bases para futuras investigaciones en la detección automática de otras características oculares y patologías. [Abstract]: Age-related macular degeneration (AMD) is a leading cause of vision loss in individuals over the age of 50. Early indicators of this disease, drusen, are tiny accumulations of material that form in the retina. Detecting, segmenting, and quantifying these drusen in Optical Coherence Tomography (OCT) images is a critical step in early AMD diagnosis and monitoring. However, this process can be challenging due to variations in the size, shape, and distribution of drusen. In this study, we introduce a robust methodology based on deep learning techniques and image processing to improve precision and efficiency in drusen segmentation, identification, and quantification. The proposed methodology consists of two phases. In the first, automatic segmentation of drusen is performed using different deep learning architectures, leveraging their ability to handle variations in OCT images. In the second phase, we implement a module for automatic drusen identification and quantification, providing detailed information about their number and distribution in the retina. The potential impact of this study is significant. The improvement in drusen segmentation accuracy paves the way for earlier and more accurate AMD diagnoses, which could lead to more effective treatments and improved outcomes for patients. Moreover, by addressing a key challenge in ophthalmology with artificial intelligence and image processing techniques, this work could lay the groundwork for future research into the automatic detection of other ocular features and pathologies. Traballo fin de grao (UDC.FIC). Enxeñaría informática. Curso 2022/2023

Aquest projecte té com a objectiu detectar piscines il·legals mitjançant l'ús de tècniques de visió per computador i aprenentatge profund. La solució proposada implica l'extracció d'imatges satel·litals i capes multiespectrals, així com la utilització de dades cartogràfiques del registre del cadastre per determinar la legalitat de les construccions. Durant el desenvolupament del projecte, s'analitzen diverses arquitectures de xarxes neuronals com U-Net, FCN i DeepLab, i s'examinen múltiples combinacions de capes d'informació per aconseguir els millors resultats. Este proyecto tiene como objetivo detectar piscinas ilegales mediante el uso de técnicas de visión por computadora y aprendizaje profundo. La solución propuesta implica la extracción de imágenes satelitales y capas multiespectrales, así como el uso de datos cartográficos del registro catastral para determinar la legalidad de las construcciones. Durante el desarrollo del proyecto, se analizan diversas arquitecturas de redes neuronales como U-Net, FCN y DeepLab, y se examinan múltiples combinaciones de capas de información para obtener los mejores resultados. This project is based on the detection of illegal swimming pools using deep learning and computer vision techniques. The proposed solution involves extracting satellite images and multispectral layers, along with cadastral map data, to determine the legal status of the construction. The project analyzes different neural network architectures, such as U-Net, FCN, and DeepLab, and compares multiple combinations of information layers.

Este trabajo de pasantía se enfoca en el desarrollo de una biblioteca de 30 casos de reconstrucción 3D de la anatomía cráneo-maxilofacial con asimetrías o anomalías en casos clínicos de pacientes latinoamericanos. Para el desarrollo de esta biblioteca se trabajó segmentación de diferentes zonas anatómicas maxilofaciales tales como: mandíbula, maxilar, vías aéreas, nervios y dientes, todo lo anterior obtenido de imágenes médicas provenientes de tomografía axial computariza (TAC) o ConeBeam (CBCT). Adicionalmente, se tomaron medidas de referencia que incluyeron el diámetro mediolateral de los cóndilos derecho e izquierdo, el volumen maxilar, volumen mandibular y la medición del área transversal de vía aérea. Se logró trabajar con un software de acceso libre y se comparó con uno comercial, obteniendo así una réplica de procesos que se utilizan en ambos software de segmentación, llegando a la conclusión de que hay herramientas en el software comercial que facilitan y ahorran un poco más de tiempo en el proceso. Esto permitió establecer una metodología de trabajo y de aseguramiento de calidad en la segmentación médica. Posteriormente, la segmentación resultante de los 30 casos permitió la obtención de biomodelos, en formato STL y listos para procesos consecuentes tales como planeación virtual quirúrgica, impresión 3D, guías de corte e implantes. This internship work focuses on the development of a library of 30 cases of 3D reconstruction of the cranio-maxillofacial anatomy with asymmetries or anomalies in clinical cases of Latin American patients. For the development of this library, segmentation of different maxillofacial anatomical zones was worked on, such as: jaw, maxilla, airways, nerves and teeth, all obtained from medical images from computed axial tomography (CT) or Cone Beam computed tomography (CBCT). Additionally, baseline measurements were taken that included the mediolateral diameter of the right and left condyles, maxillary volume, mandibular volume and measurement of the transverse area of the airway. We were able to work with an open access software and we compare it with a commercial one, obtaining a replica of the processes used in both segmentation software; there are tools in the commercial software that facilitate and save time during the process. This opened the way to establish a work methodology and quality assurance in medical segmentation. After that, the results of the 30 segmentations were biomodels, in STL format and ready for the next processes such as virtual surgical planning, 3D printing, cutting guides and implants. Pasantía institucional (Ingeniero Biomédico)-- Universidad Autónoma de Occidente, 2022 Pregrado Ingeniero(a) Biomédico(a)

Pasantía institucional (Ingeniero Biomédico)-- Universidad Autónoma de Occidente, 2022 Pregrado Ingeniero(a) Biomédico(a)

Classical image segmentation algorithms exploit the detection of similarities and discontinuities of different visual cues to define and differentiate multiple regions of interest in images. However, due to the high variability and uncertainty of image data, producing accurate results is difficult. In other words, segmentation based just on color is often insufficient for a large percentage of real-life scenes. This work presents a novel multi-modal segmentation strategy that integrates depth and appearance cues from RGB-D images by building a hierarchical region-based representation, i.e., a multi-modal segmentation tree (MM-tree). For this purpose, RGB-D image pairs are represented in a complementary fashion by different segmentation maps. Based on color images, a color segmentation tree (C-tree) is created to obtain segmented and over-segmented maps. From depth images, two independent segmentation maps are derived by computing planar and 3D edge primitives. Then, an iterative region merging process can be used to locally group the previously obtained maps into the MM-tree. Finally, the top emerging MM-tree level coherently integrates the available information from depth and appearance maps. The experiments were conducted using the NYU-Depth V2 RGB-D dataset, which demonstrated the competitive results of our strategy compared to state-of-the-art segmentation methods. Specifically, using test images, our method reached average scores of 0.56 in Segmentation Covering and 2.13 in Variation of Information. Resumen Los algoritmos clásicos de segmentación de imágenes explotan la detección de similitudes y discontinuidades en diferentes señales visuales, para definir regiones de interés en imágenes. Sin embargo, debido a la alta variabilidad e incertidumbre en los datos de imagen, se dificulta generar resultados acertados. En otras palabras, la segmentación basada solo en color a menudo no es suficiente para un gran porcentaje de escenas reales. Este trabajo presenta una nueva estrategia de segmentación multi-modal que integra señales de profundidad y apariencia desde imágenes RGB-D, por medio de una representación jerárquica basada en regiones, es decir, un árbol de segmentación multi-modal (MM-tree). Para ello, la imagen RGB-D es descrita de manera complementaria por diferentes mapas de segmentación. A partir de la imagen de color, se implementa un árbol de segmentación de color (C-tree) para obtener mapas de segmentación y sobre-segmentación. Desde de la imagen de profundidad, se derivan dos mapas de segmentación independientes, los cuales se basan en el cálculo de primitivas de planos y de bordes 3D. Seguidamente, un proceso de fusión jerárquico de regiones permite agrupar de manera local los mapas obtenidos anteriormente en el MM-tree. Por último, el nivel superior emergente del MM-tree integra coherentemente la información disponible en los mapas de profundidad y apariencia. Los experimentos se realizaron con el conjunto de imágenes RGB-D del NYU-Depth V2, evidenciando resultados competitivos, con respecto a los métodos de segmentación del estado del arte. Específicamente, en las imágenes de prueba, se obtuvieron puntajes promedio de 0.56 en la medida de Segmentation Covering y 2.13 en Variation of Information.

En esta tesis doctoral se ha llevado a cabo un estudio teórico y experimental en el campo del aprendizaje profundo. El objetivo de este estudio ha sido mejorar las técnicas actuales que se emplean en diferentes problemas de interés para la sociedad. Los principales problemas que presentan los modelos de aprendizaje profundo a la hora de ser implementados en entornos reales son la falta de precisión y el elevado coste computacional de su ejecución. Existen problemas en los que es necesario que la precisión del modelo sea lo más alta posible para que este tipo de soluciones puedan ser utilizadas. Además, la demanda de procesamiento de los modelos puede impedir su uso en ciertos problemas en los que la capacidad de procesamiento se encuentra muy limitada o se precisa de una elevada velocidad de procesamiento, como en el caso de los sistemas que trabajan en tiempo real. Por lo tanto, se hace necesario encontrar nuevas técnicas y paradigmas que permitan mejorar los resultados de las soluciones actuales además de reducir el tiempo de procesamiento sin que ello suponga una pérdida de precisión. Para la realización de esta tesis se han escogido dos problemas en los que se evidencian la necesidad de las mejoras mencionadas anteriormente. Por un lado, el primer problema consiste en la segmentación del árbol vascular en imágenes de fondo de ojo. Este problema tiene especial interés ya que permite crear una herramienta de apoyo al especialista para la monitorización del árbol vascular con el objetivo de detectar diferentes patologías. No obstante, al tratarse de un sistema destinado al ámbito médico, cualquier mejora de los resultados del modelo dota al especialista de una mayor confianza en esta herramienta. Por otro lado, el segundo problema consiste en la segmentación por instancia de fresas en imágenes. Este problema supone una pieza clave en la creación de cosechadoras automática de fresas y, por ende, es necesario utilizar modelos que puedan trabajar en tiempo real en equipos con gran limitación de procesamiento y memoria. El trabajo llevado a cabo en esta tesis ha dado lugar a tres publicaciones en las que se han propuesto soluciones que abordan las principales limitaciones de los modelos de aprendizaje profundo en los dos problemas de interés: la mejora de los resultados y la velocidad de procesamiento. En concreto, para el caso de la segmentación del árbol vascular, se ha propuesto un nuevo modelo basado en U-Net (modelo de referencia para la segmentación semántica) y nuevas técnicas para el entrenamiento que, en su conjunto, logran mejorar los resultados del estado del arte. De este modo, el modelo propuesto, con una arquitectura mucho más eficiente que la del modelo original y sin necesidad de aplicar un procesamiento a la imagen antes ni después de ser procesada por el modelo, presenta unos valores de AUC superiores a los obtenidos por los modelos más representativos del estado del arte. En el caso de la segmentación por instancia de fresas, se ha propuesto una modificación de Mask R-CNN (uno de los modelos de referencia en segmentación por instancias) con el objetivo de mejorar la velocidad de procesamiento del modelo original de forma considerable sin que ello repercuta de forma notable en los resultados. Las modificaciones propuestas han permitido trabajar a 10 fps, lo que supone doblar la velocidad del modelo original sin que ello repercuta de forma notable en el valor de mAP. Además, se ha propuesto un nuevo paradigma para abordar el problema de la segmentación por instancia de fresas, así como un nuevo modelo, que por primera vez en este problema es capaz de trabajar en tiempo real (30 fps) con un incremento en el valor de mAP superior al 15% respecto a Mask R-CNN. Los resultados alcanzados en los trabajos realizados en esta tesis para los dos problemas de interés escogidos permiten considerar a las soluciones propuestas como las mejores alternativas para su implementación en entornos reales de trabajo., In this doctoral thesis a theoretical and experimental study has been carried out in the field of deep learning. The objective of this study has been to improve the current techniques used in problems from different fields of interest of society. The main problems that deep learning models present when implemented in real environments are the lack of precision and the high computational cost of their execution. There are problems in which the accuracy of the model must be as high as possible for this type of solutions to be used. In addition, the processing demands of the models may prevent their use in certain problems where the processing capacity is very limited or a high processing speed is required, as in the case of systems working in real time. Therefore, it is necessary to find new techniques and paradigms to improve the results of the current solutions and to reduce the processing time without losing accuracy. For the development of this thesis, two problems have been chosen in which the need for the mentioned above improvements is evident. On the one hand, the first problem consists of the segmentation of the vascular tree in fundus images. This problem is of special interest since it allows the creation of a tool to support the specialist in monitoring the vascular tree with the purpose of detecting different pathologies. However, as this is a system intended for use in the medical field, any improvement in the model results gives the specialist greater confidence in this tool. On the other hand, the second problem consists in the segmentation by instance of strawberries in images. This problem is a key part in the creation of automatic strawberry harvesters and, therefore, it is necessary to use models that can work in real time on equipment with processing and memory limitations. The result of the work done in this thesis has led to three publications in which solutions have been proposed that address the main limitations of deep learning models in the two problems of interest: performance improvement and processing speed. Specifically, for the case of vascular tree segmentation, a new model based on U-Net (reference model for semantic segmentation) and new techniques for training have been proposed that, as a whole, manage to improve the state-of-the-art results. Thus, the proposed model, with a much more efficient architecture than the original model and without the need to apply processing to the image before or after being processed by the model, presents higher AUC values than those obtained by the most representative models of the state of the art. In the case of strawberry instance segmentation, a modification of Mask R-CNN (one of the reference models in instance segmentation) has been proposed with the goal of improving the processing speed of the original model considerably without notably affecting the results. The proposed modifications have made it possible to work at 10 fps, which means doubling the speed of the original model without notably affecting the mAP value. In addition, a new paradigm has been proposed to address the problem of strawberry instance segmentation, as well as a new model, which for the first time in this problem is able to work in real time (30 fps) with a 15% increase of mAP value compared to Mask R-CNN. The results achieved in the work done in this thesis for the two chosen problems allow us to consider the proposed solutions as the best alternatives for implementation in commercial working environments.

Tesis de maestría En los tratamientos de radioterapia estereotáctica corporal (SBRT) es cada vez más común el uso de sistemas de tomografía computarizada por haz cónico (CBCT) montados en los aceleradores lineales, para la adquisición de imágenes tomográficas que son utilizadas para la verificación y corrección -si es el caso- del posicionamiento del paciente durante el tratamiento. En radioterapia es de importancia mayúscula asegurar que la posición del paciente sea la deseada y en SBRT esto adquiere aún mayor importancia ya que la dosis absorbida utilizada en estos procedimientos es mayor que en los casos de radioterapia de fraccionamientos convencionales (típicamente entre 10 Gy y 20 Gy por sesión de tratamiento, mientras que en otros tratamientos puede estar entre 2 Gy y 3 Gy). En el curso de SBRT, se obtiene un conjunto de imágenes de CBCT por cada sesión de tratamiento, que se compara con la tomografía de planeación para verificar que la colocación del paciente sea la indicada, regularmente las series de CBCT ya no son utilizadas para otro fin. Sin embargo, hay estudios que han demostrado que estas imágenes pueden ser utilizadas para obtener información cuantitativa de los efectos del tratamiento durante su administración, particularmente cuando se otorga en lesiones pulmonares usando SBRT. En este trabajo se buscó utilizar las imágenes de pacientes, obtenidas mediante CBCT, durante el curso de un tratamiento de SBRT de pulmón (específicamente al inicio, en una etapa intermedia y al final), para obtener rasgos cuantitativos que puedan brindar información acerca del tejido tumoral, ya sea debido a cambios en su morfología, en su intensidad de pixeles o en su textura, asociados a los efectos del tratamiento, destacando que esta evaluación se llevó a cabo solamente durante el tratamiento.. Los rasgos cuantitativos utilizados en el estudio se seleccionaron basándose en su coeficiente de variación, que nos proporciona información de su confiabilidad. A partir de las imágenes de CBCT, una vez seleccionados los rasgos, se estudió su evolución temporal del tejido tumoral a lo largo del tratamiento. Ninguno

Dentro del gran conjunto de técnicas para elaborar reconstrucciones en 3D, los algoritmos de estructura desde el movimiento resaltan debido a su bajo costo y versatilidad, siendo estos algoritmos una serie de procedimientos computacionales para la generación automatizada de nubes densas de puntos a partir de un conjunto de fotografías. El objetivo de éste artículo es proponer un flujo de trabajo para la reconstrucción en 3D de contextos y objetos arqueológicos utilizando un UAV (Unmanned aerial vehicle, por sus siglas en inglés) de bajo costo para la fase de captura de datos, buscando evaluar y problematizar la necesidad de recurrir a hardware costoso y específico. Luego de esta etapa de captura de datos, el proceso de reconstrucción en 3D inicia. Éste flujo de trabajo está compuesto por tres grandes fases: La generación de máscaras binarias para seleccionar regiones de interés, la producción de nubes de puntos densas y su transformación en mallas triangulares. Finalmente, se esboza el reto que significa aspirar a determinar cuál de las reconstrucciones generadas es la mejor bajo marcos cuantitativos. Into the large set of techniques to elaborate 3D reconstructions, the Structure from Motion algorithms stand out because of its low cost and versatility, being these algorithms a series of computational procedures to the automated generation of dense point clouds from a set of photographs. The goal of this paper is to propose a workflow for the 3D reconstruction of archaeological objects and contexts employing a low cost UAV (Unmanned aerial vehicle) for the data capture phase, searching to evaluate and problematize the need of use expensive and specific hardware. After this data capture stage the 3D reconstruction process begins. This workflow is composed by three great phases: The generation of binary masks to select regions of interest, the production of dense point clouds and its transformation into a triangular mesh. Finally, sketch out the challenge that means aspire to determine which is the best of the generated reconstructions under quantitative frames. Pregrado

El café es un cultivo con una tradición de muchos años en México lo que lo sitúa dentro de los principales productores y exportadores de café. Sin embargo, en los últimos años los cultivos de café han sido afectados por muchas enfermedades y plagas, que han causado severas afectaciones en la producción de este grano, trayendo consigo múltiples consecuencias como crisis económicas y emigración de familias que dependen de este cultivo en las regiones productoras de este cultivo en México. El reconocimiento de patrones es una herramienta tecnológica que puede ayudar a agrónomos y fitopatólogos en la pronta detección de enfermedades y plagas en el café. En este trabajo se identifican las hojas aparentemente sanas y cuatro enfermedades de importancia económica en México, las cuales son la Roya del café, el minador de la hoja, phoma quema y la mancha de hierro ocercospora. Se probaron diferentes algoritmos de segmentación entre los cuales se encuentran Otsu, Principal Component Analysis (PCA) y Método de Frontera Global. Se extrajeron características cromáticas, geométricas y texturales de las hojas de la planta de café. Se probaron cuatro algoritmos de clasificación entre los que se encuentran Support VectorMachine con SMO (Sequential Minimal Optimization), Random Forest, Naive Bayes y Redes Neuronales Artificiales Backpropagation. La mejor precisión que se obtuvo fue de 83% con segmentación PCA y usando el algoritmo de Redes Neuronales Artificiales Backpropagation.

En años recientes, el desarrollo de algoritmos que asistan en la comunicación con gente sorda es un reto importante. El desarrollo de sistemas automatizados para traducir el lenguaje de señas es un tema de investigación vigente. Sin embargo, esto involucra varios procesos que van desde la captura del video, pre-procesamiento hasta la identificación y clasificación de las señas. El desarrollo de sistemas capaces de extraer características discriminativas para acentuar la capacidad de generalización de un clasificador es aun un problema muy complejo. El significado de una seña es a combinación del movimiento de la mano, forma de la mano y el punto de contacto de la mano con el cuerpo. Este trabajo presenta un método para detectar y traducir señas de las manos. Primero, se obtienen 15 cuadros por palabra, obteniendo 3 regiones de interés (manos y cara) de las cuales se obtienen características geométricas. Finalmente, se emplean diferentes clasificadores y se muestran los resultados experimentales.

Tesis del programa de maestría en ciencias de la computación Un sistema de visión está compuesto por varios pasos, cada uno de ellos influye en el resultado final. Uno de esos pasos es la segmentación, esta permite obtener solo la región que interesa del objeto y eliminar el fondo. La segmentación es muy importante pues permite mejorar la calidad de la región segmentada, mejorar la calidad de las características extraídas y al mismo tiempo reducir el ruido introducido por una mala calidad de características. Existen diversas técnicas de segmentación en la literatura, cada una de ellas con una o varias variables para afinar. Elegir la técnica adecuada para segmentar un determinado conjunto de datos no es una tarea fácil, ya que en algunas ocasiones diversos factores pueden influir en la calidad de la segmentación como preprocesamiento y conjunto de imágenes. Aunado a lo anterior, pequeñas variaciones en la iluminación y cambios de intensidad pueden influir demasiado en la calidad de la segmentación. En algunas ocasiones es necesario un experto para seleccionar la técnica de segmentación y poner a punto las variables asociadas. En esta Tesis, se desarrollan algoritmos automáticos para selección de técnicas de segmentación y variables asociadas. Las técnicas desarrolladas son implementadas y comparadas utilizando varios conjuntos de datos. Los resultados experimentales obtenidos son discutidos y comparados en esta Tesis. Estos algoritmos permitirán facilitar y simplificar la selección de la técnica de segmentación a utilizar, así como las variables necesarias y preprocesamiento implementado.

[ES] La segmentación de los tejidos intracraneales es muy útil para el análisis objetivo de muchas patologías neurológicas. Este proceso es típicamente realizado manualmente por expertos, lo que puede llevar mucho tiempo. Sin embargo, hoy en día cada vez más métodos de aprendizaje automático se están implementando para resolver este problema de manera automatizada. En este trabajo, presentamos un modelo de aprendizaje profundo compuesto por tres modelos planares ortogonales, correspondientes a los ejes axial, sagital y coronal. A diferencia de los modelos 3D actuales de última generación, nuestro enfoque requiere una menor memoria dedicada de la GPU sin comprometer la precisión de la segmentación final. Además, implementamos técnicas de aprendizaje multitarea para mejorar el rendimiento de nuestro modelo, ya que sólo tenemos acceso a pequeños conjuntos de datos etiquetados mediante el uso de un corpus adicional sin etiquetar para mejorar las representaciones internas que nuestro modelo aprende para las imágenes de entrada. El modelo se evalúa en dos conjuntos de datos diferentes de escáneres cerebrales T1 de resonancia magnética. Nuestro método presenta resultados similares a una versión extendida 3D de la arquitectura U-Net e incluso la supera en uno de ellos., [EN] The segmentation of intracranial tissues is very useful for the objective analysis of many neurological pathologies. This process is typically performed manually by experts which may be really time consuming. Nevertheless, nowadays more and more machine learning methods are being implemented in order to solve this problem in an automated way. In this work, we present an ensemble deep learning model comprised of three orthogonal planar models, corresponding to the axial, sagittal and coronal axes. In contrast to current state of the art 3D models, our approach requires lower GPU dedicated memory without compromising the final segmentation accuracy. In addition, we implement a multi-task learning pipeline in order to improve our model's performance since we only have access to small labelled datasets by using and additional unlabeled corpus to improve the internal representations our model learns for the input images. The model is evaluated on two different datasets of MRI T1 brain scans. Our method reaches the performance of a 3D extended version of the U-Net architecture and even outperforms it in one of them, even though our model has lower memory requirements.

Medical images are essential for diagnosis, planning of surgery and evolution of pathology. The advances in technology have developed new techniques to obtain digital images with more details, in return this has also led to disadvantages, such as: the analysis of large volumes of information, long time to determine an affected region and difficulty in defining the malignant tissue for its later extirpation, among the most relevant. This article presents an image segmentation strategy and the optimization of a method for generating three-dimensional models. A prototype was implemented in which it was possible to evaluate the segmentation algorithms and 3D reconstruction technique, allowing to visualize the tumor model from different points of view through virtual reality. In this investigation, we evaluate the computational cost and user experience, the parameters selected in terms of computational cost are the time and consumption of RAM, we used 140 MRI images each with dimensions 260x320 pixel, and as a result, we obtained an approximate time of 37.16s and consumption in RAM of 1.3GB. Another experiment carried out is the segmentation and reconstruction of a tumor, this model is formed by a three-dimensional mesh made up of 151 vertices and 318 faces. Finally, we evaluate the application, with a usability test applied to a sample of 20 people with different areas of knowledge. The results show that the graphics presented by the software are pleasant, they also show that the application is intuitive and easy to use. Additionally, it is mentioned that it helps improve the understanding of medical images. Resumen Las imágenes médicas son imprescindibles para la realización del diagnóstico, planificación de cirugía y evolución de la patología. El avance de la tecnología ha desarrollado nuevas técnicas para obtener imágenes digitales con más detalles, esto a su vez ha llevado a tener desventajas, entre ellas: el análisis de grandes volúmenes de información, tiempo prolongado para determinar una región afectada y dificultad para definir el tejido maligno para su posterior extirpación, entre las más relevantes. Este artículo presenta una estrategia de segmentación de imágenes y la optimización de un método de generación de modelos tridimensionales. Se implementó un prototipo en el que se logró evaluar los algoritmos de segmentación y técnica de reconstrucción 3D permitiendo visualizar el modelo del tumor desde diferentes puntos de vista mediante realidad virtual. En esta investigación, se evalúa el costo computacional y la experiencia del usuario, los parámetros seleccionados en términos de costo computacional son el tiempo y el consumo de RAM, se utilizaron 140 imágenes MRI cada una de ellas con dimensiones de 260x320 píxeles, y como resultado, se obtuvo un tiempo aproximado de 37.16s y el consumo de memoria RAM es de 1.3GB. Otro experimento llevado a cabo es la segmentación y reconstrucción de un tumor, este modelo está formado por una malla tridimensional que contiene 151 vértices y 318 caras. Finalmente, se evalúa la aplicación con una prueba de usabilidad aplicada a una muestra de 20 personas con diferentes áreas de conocimiento, los resultados muestran que los gráficos presentados por el software son agradables, también se evidencia que el software es intuitivo y fácil de usar. También mencionan que ayuda a mejorar la compresión de imágenes médicas. Resumo As imagens médicas são imprescindíveis para a realização do diagnóstico, planificação de cirurgia e evolução da patologia. O avanço da tecnologia tem desenvolvido novas técnicas para obter imagens digitais com mais detalhes, isto, por sua vez, tem algumas desvantagens, entre elas: a análise de grandes volumes de informação, tempo prolongado para determinar uma região afetada e dificuldade para definir o tecido maligno para sua posterior extirpação, entre as mais relevantes. Este artigo apresenta uma estratégia de segmentação de imagens e a optimização de um método de geração de modelos tridimensionais. Implementou-se um protótipo no qual logrou-se avaliar os algoritmos de segmentação e técnica de reconstrução 3D, permitindo visualizar o modelo do tumor desde diferentes pontos de vista mediante realidade virtual. Nesta pesquisa, avalia-se o custo computacional e a experiência do usuário; os parâmetros selecionados em termos de custo computacional são o tempo e o consumo de RAM. Utilizaram-se 140 imagens MRI cada uma delas com dimensões de 260x320 pixels, e como resultado, obteve-se um tempo aproximado de 37.16s e o consumo de memória RAM é de 1.3GB. Outro experimento realizado é a segmentação e reconstrução de um tumor; este modelo está formado por uma rede tridimensional que contém 151 vértices e 318 caras. Finalmente, avalia-se a aplicação com uma prova de usabilidade aplicada a uma amostra de 20 pessoas com diferentes áreas de conhecimento, os resultados mostram que os gráficos apresentados pelo software são agradáveis, também se evidencia que o software é intuitivo e fácil de usar. Também mencionam que ajuda a melhorar a compressão de imagens médicas.

Este Trabajo de Fin de Grado consiste en la detección de contornos de otolitos de peces en imágenes obtenidas mediante lupa digital usando técnicas de contornos activos. Estas técnicas se ocupan de la delineación semiautomática de formas en una imagen mediante la evolución de una curva guiada por fuerzas externas e influenciada por restricciones, tratando de minimizar energías externas e internas del contorno. Para comenzar, se realiza una introducción de la parte biológica de los otolitos y su finalidad, así como de la obtención de imágenes de estos y su segmentación. Posteriormente, se explica la base teórica y matemática de los contornos activos y el conjunto de métodos fundamentales para el entendimiento e implementación del algoritmo utilizado en este proyecto. Finalmente, se analiza la implementación del algoritmo en la herramienta Matlab y los resultados obtenidos de forma que se pueda evaluar si el algoritmo ofrece los resultados esperados, mediante un estudio de fiabilidad a partir de la curva ROC.

[ES] La inversión internacional en el desarrollo de proyectos que permitan mejoras en el rendimiento de procesos agrarios ha aumentado considerablemente en la última déca- da. A raíz de esto, el uso de nuevas tecnologías en el sector agrícola, como por ejemplo técnicas de visión por computador, inteligencia artificial o el control a distancia por reali- dad virtual, están cada día más cerca de convertirse en algo habitual. Este concepto de automatización comienza a ser una realidad, la cual avanza en labores agrarias como la cosecha, la siembra o el procesado de verduras y frutas. El trabajo que se presenta a continuación tiene como objetivo la aplicación de técnicas de visión por computador y análisis de imagen digital en el proceso de cosecha de las plantas de ajo. La resolución de este objetivo permite abaratar costes en la producción, añadiendo la fase de eliminación de raíces de la planta en las cosechadoras automáticas mediante la adición de un sistema informático, y suprimiendo la necesidad de utilizar máquinas industriales no automáticas específicas para este propósito en el almacén, con el consiguiente ahorro en el transporte de raíces y tierra que finalmente desecha. Gracias a los resultados obtenidos en este trabajo se ha podido comprobar que es posi- ble la adecuación mediante técnicas informáticas de diferentes máquinas agrícolas con el objetivo de automatizar la producción y manipulación de verduras y frutas. Asimismo también han reafirmado la teoría de que el uso de técnicas de visión por computador en el sector agrario puede facilitar y mejorar diferentes fases de la producción., [EN] International investment in the development of projects that allow improvements in the performance of agricultural processes has increased considerably in the last decade. As a result, the use of new technologies in the agricultural sector, such as computer vision techniques, artificial intelligence or remote control by virtual reality, are coming closer every day to becoming commonplace. This concept of automation begins to be a reality, which advances in agricultural tasks such as harvesting, sowing or processing of vegeta- bles and fruits. The work presented below is aimed at the application of computer vision techniques and digital image analysis in the harvesting process of garlic plants. The resolution of this objective allows to lower costs in the production, adding the phase of the elimination of roots of the plant in the automatic harvesters through the addition of a computer system, and eliminating the need to use specific non-automatic industrial machines for this pur- pose in the warehouse, with the consequent saving in the transport of roots and soil that is finally discarded. Thanks to the results obtained in this work, it has been possible to verify that it is possible to adapt different agricultural machines through computer tech- niques with the aim of automating the production and manipulation of vegetables and fruits. They have also reaffirmed the theory that the use of computer vision techniques in the agricultural sector can facilitate and improve different phases of production., [CA] La inversió internacional en el desenvolupament de projectes que permetin millores en el rendiment de processos agraris ha augmentat considerablement en l’última dècada. Arran d’això, l’ús de noves tecnologies en el sector agrícola, com ara tècniques de visió per computador, intel·ligència artificial o el control a distància per realitat virtual, estan cada dia més a prop de convertir-se en una cosa habitual. Aquest concepte d’automatització comença a ser una realitat, la qual avança en tasques agràries com la collita, la sembra o el processat de verdures i fruites. El treball que es presenta a continuació té com a objectiu l’aplicació de tècniques de visió per computador i anàlisi d’imatge digital en el procés de collita de les plantes d’all. La resolució d’aquest objectiu permet abaratir costos en la producció, afegint la fase d’eliminació d’arrels de la planta a les recol·lectores automàtiques mitjançant l’addició d’un sistema informàtic, i suprimint la necessitat d’utilitzar màquines industrials no automàtiques específiques per a aquest propòsit en el magatzem, amb el consegüent estalvi en el transport d’arrels i terra que finalment rebutja. Gràcies als resultats obtinguts en aquest treball s’ha pogut comprovar que és possible l’adequació mitjançant tècniques informàtiques de diferents màquines agrícoles amb l’objectiu d’automatitzar la producció i manipulació de verdures i fruites. Així mateix també han reafirmat la teoria de que l’ús de tècniques de visió per computador en el sector agrari pot facilitar i millorar diferents fases de la producció.