Projecte llegit
Títol: Segmentación de músculos individuales en IRM para la diagnosis automática de distrofias musculares
Estudiants que han llegit aquest projecte:
- VERDÚ DÍAZ, JOSÉ (data lectura: 13-09-2022)
- Cerca aquest projecte a Bibliotècnica
Director/a: SALAMÍ SAN JUAN, ESTHER
Departament: DAC
Títol: Segmentación de músculos individuales en IRM para la diagnosis automática de distrofias musculares
Data inici oferta: 29-06-2022 Data finalització oferta: 29-06-2022
Estudis d'assignació del projecte:
- GR ENG TELEMÀTICA
Tipus: Individual | |
Lloc de realització: ERASMUS | |
Supervisor/a extern: Jordi Díaz Manera | |
Institució/Empresa: Universitat de Newcastle | |
Titulació del Director/a: Doctor en Medicina | |
Paraules clau: | |
Deep learning, segmentation, image processing | |
Descripció del contingut i pla d'activitats: | |
En este trabajo se desarrolla una herramienta y metodología que
integra la segmentación automática de músculos individuales en Imágenes por Resonancia Magnética (IRMs), la cuantificación automatizada de grasa intramuscular usando la escala Mercuri y la diagnosis de múltiples distrofias musculares (DMs) usando dicha escala. Para ello, se combinan técnicas de procesado de imágen, Deep Learning y Machine Learning en una gran cohorte de pacientes. Además, se desarrollan diversas herramientas para facilitar el procesado de datos. |
|
Overview (resum en anglès): | |
Genetic neuromuscular diseases are a group of disorders characterized by a progressive loss of muscle fibres and their substitution by fibrotic and fat tissue. Magnetic resonance imaging is helpful for the study of these diseases, as it identifies fat replacement in the muscles. Several studies have described patterns of muscle involvement that can guide patient diagnosis. In this project, we present a pipeline for the automatic diagnosis of muscle diseases using magnetic resonance imaging. We applied Deep Learning techniques to identify individual muscles in the images, defined an algorithm for the automated quantification of muscle tissue, and created a Machine Learning diagnosis model. This project was made possible thanks to an international network of 16 centres across 4 continents, which shared the required data for training the different models. We developed multiple tools for the processing and cohesion of the data, creating a large repository of data that will be useful for future projects. |