Tractografía y Deep Learning: obtención de mapas de conexiones del cerebro

Corsino Gómez, Víctor (2021). Tractografía y Deep Learning: obtención de mapas de conexiones del cerebro. Thesis (Master thesis), E.T.S. de Ingenieros Informáticos (UPM).

Description

Title: Tractografía y Deep Learning: obtención de mapas de conexiones del cerebro
Author/s:
  • Corsino Gómez, Víctor
Contributor/s:
  • Molina González, Martín
  • Gilpérez Aguilar, José Manuel
Item Type: Thesis (Master thesis)
Masters title: Inteligencia Artificial
Date: July 2021
Subjects:
Faculty: E.T.S. de Ingenieros Informáticos (UPM)
Department: Inteligencia Artificial
Creative Commons Licenses: Recognition - No derivative works - Non commercial

Full text

[img]
Preview
PDF - Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (25MB) | Preview

Abstract

La tractografía es un método de reconstrucción computacional que utiliza imágenes de resonancia magnética por difusión para estimar las trayectorias de las fibras o tractos que forman la materia blanca del cerebro humano, siguiendo sus orientaciones probables. Este método se ha utilizado para inferir el mapa de conexiones estructurales del cerebro, así como para comprender sus funciones, desarrollo y enfermedades. Sin embargo, la realización de la tractografía de todo el cerebro de un sujeto genera cientos de miles de tractos, los cuales pueden no ser útiles de forma inmediata para un médico o un investigador, de forma que la identificación de estas fibras y su agrupación en fascículos significativos resulta en una tarea de vital importancia. Además, la inferencia de la conectividad entre tractos presenta grandes dificultades, debido a que estas fibras suelen cruzarse y superponerse, y poseen una estructura complicada. En los últimos años, se han desarrollado un gran número de algoritmos para su aplicación en tractografía. Sin embargo, los métodos más tradicionales, basados en la orientación local de las fibras, suelen cometer errores y producen un gran número de conexiones falsas positivas. Para solucionar esto, recientemente se ha propuesto la utilización de algoritmos de aprendizaje automático, supervisados y no supervisados, y de enfoques tan diversos como modelos basados en random forests, redes neuronales recurrentes y convolucionales o autoencoders, por ejemplo. A día de hoy, ninguno de estos métodos ha mostrado un rendimiento concluyente ni ha sido establecido como la metodología principal en el campo de la tractografía. En un estudio reciente, se presentó una forma novedosa de representar y tratar las fibras, a la que se denominó FiberMap, junto a un algoritmo de aprendizaje profundo basado en CNNs, con el que se obtuvieron muy buenos resultados. En este trabajo, se pretende, en primer lugar, replicar este estudio, utilizando una base de datos propia, y en segundo lugar, mejorar su modelo aplicando técnicas de visión por computador más actuales y que han demostrado obtener un gran desempeño en la tarea de clasificación de imágenes, como son las redes Inception, ResNet o DenseNet. Con todo ello, se pretende reforzar el camino del Deep Learning, y en concreto, de las redes convolucionales, como el paradigma de aprendizaje automático a seguir en el campo de la tractografía.---ABSTRACT---Tractography is a computational reconstruction method that uses diffusion magnetic resonance imaging to estimate the trajectories of the fibers or tracts that make up the white matter of the human brain, following their probable orientations. This method has been used to infer the map of structural connections in the brain, as well as to understand its functions, development and diseases. However, performing a tractography of the entire brain of a subject generates hundreds of thousands of tracts, which may not be immediately useful to a doctor or a researcher, so the identification of these fibers and their grouping in significant fascicles results in a vitally important task. In addition, infer the connectivity between tracts presents great difficulties, because these fibers tend to cross and overlap, and have a complicated structure. In recent years, a large number of algorithms for tractography have been developed and applied. However, the more traditional methods based on the local orientation of the fibers, often make mistakes and produce a large number of false positive connections. To solve this, it has recently been proposed to use supervised and unsupervised machine learning algorithms, and diverse approaches such as Random Forest-based models, recurrent and convolutional neural networks or autoencoders, for example. To date, none of these methods have shown conclusive performance or have been established as a main methodology to follow in the field of tractography. In a recent study, a novel way of representing and treating fibers was presented, which was called FiberMap, together with a Deep Learning algorithm based on convolutional neural networks, which reached very good results. In this work, it is intended, firstly, to replicate this study, using our own database, and secondly, to improve its model by applying more current computer vision techniques that have been shown to achieve great performance in the task of classification of images, such as Inception, ResNet or DenseNet networks. With all this, it is intended to reinforce the path of Deep Learning, and specifically, of convolutional networks, as the Machine Learning paradigm to follow in the field of tractography.

More information

Item ID: 68732
DC Identifier: https://oa.upm.es/68732/
OAI Identifier: oai:oa.upm.es:68732
Deposited by: Biblioteca Facultad de Informatica
Deposited on: 06 Oct 2021 13:19
Last Modified: 06 Oct 2021 13:19
  • Logo InvestigaM (UPM)
  • Logo GEOUP4
  • Logo Open Access
  • Open Access
  • Logo Sherpa/Romeo
    Check whether the anglo-saxon journal in which you have published an article allows you to also publish it under open access.
  • Logo Dulcinea
    Check whether the spanish journal in which you have published an article allows you to also publish it under open access.
  • Logo de Recolecta
  • Logo del Observatorio I+D+i UPM
  • Logo de OpenCourseWare UPM