CBL - Campus del Baix Llobregat

Projecte llegit

Títol: Segmentación de músculos individuales en IRM para la diagnosis automática de distrofias musculares

Estudiants que han llegit aquest projecte:

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.

© CBLTIC Campus del Baix Llobregat - UPC