Amb motiu del tancament d'estiu, la validació de documents es reprendrà a partir del 28 d'agost de 2026. Disculpeu les molèsties.
Con motivo del cierre de verano, la validación de documentos se reanudará a partir del 28 de agosto de 2026. Disculpad las molestias
Due to the summer closure, document validation will resume starting August 28, 2026. We apologize for any inconvenience.

Treballs Finals de Grau (TFG) - Enginyeria Biomèdica

Permanent URI for this collectionhttps://hdl.handle.net/2445/147724

Treballs Finals del Grau de Dret d'Enginyeria Biomèdica de la Facultat de Medicina i Ciències de la Salut de la Universitat de Barcelona.

 Statistics

Browse

Recent Submissions

Now showing 1 - 20 of 132
  • Thumbnail Image
    logoOpenAccessBachelor thesis
    Pilot Study of Leg Muscle Activity During Treadmill Running at Different Speeds and Inclines
    (2026-06-10) Aa Pérez, Max van der; Sala Llonch, Roser; Marco, Ricardo
    [eng] Running overuse injuries are common in recreational runners, and predicting them requires understanding how muscle load is distributed across the lower limb at different speeds and inclines. This pilot study characterises leg muscle activation, lower limb kinematics, and running dynamics across a systematic grid of treadmill conditions in 4 recreational runners aged 21 to 54. Each participant completed 10 treadmill conditions: a fixed walking baseline at 5 km/h and 0% incline, followed by 9 running conditions covering 3 speeds (8, 10, 12 km/h) and 3 inclines (0%, 5%, 10%) in randomised order. Data were recorded simultaneously using 16-channel surface EMG across 8 leg muscles per side, full-body kinematics via an Xsens MVN Awinda inertial measurement suit, and stride and cardiovascular metrics from a Garmin Forerunner 255. EMG was normalised to the walking baseline. Statistical analysis used the Friedman test with Kendall's W as effect size. Speed increased neuromuscular and biomechanical load consistently across all participants. Muscle activation rose across most channels, hip and knee flexion range of motion increased, and ground contact time shortened. The incline response was more selective: heart rate and hip flexion ROM increased consistently with grade, but EMG responses varied between participants. Joint kinematics showed higher statistical consistency than EMG, with hip flexion ROM reaching W = 0.971. Cross-modal associations were identified between ground contact time and tibialis anterior activation (mean Spearman ρ = −0.613), and between hamstring activation and knee flexion ROM (mean ρ = +0.683). Persistent bilateral asymmetries were found in two participants and were stable across all conditions. The results provide a condition-mapped multimodal dataset linking muscle activation, joint kinematics, and consumer wearable metrics across a systematic speed and incline grid. This is a first step toward the Myalbatross goal of estimating muscle load from watch data alone. [cat] Les lesions per sobrecàrrega en corredors recreatius són freqüents, i predir-les requereix entendre com es distribueix la càrrega muscular a les extremitats inferiors a diferents velocitats i pendents. Aquest estudi pilot descriu l'activació muscular de la cama, la cinemàtica de l'extremitat inferior i la dinàmica de la cursa en una graella sistemàtica de condicions en cinta de córrer en 4 corredors recreatius d'entre 21 i 54 anys. Cada participant ha completat 10 condicions en cinta: una baseline de caminar a 5 km/h i 0% de pendent, seguida de 9 condicions de cursa que combinaven 3 velocitats (8, 10, 12 km/h) i 3 pendents (0%, 5%, 10%) en ordre aleatoritzat. Les dades s'han registrat simultàniament amb EMG de superfície de 16 canals en 8 músculs per cama, cinemàtica corporal completa mitjançant un vestit d'unitats de mesura inercial Xsens MVN Awinda, i mètriques de cursa i cardiovasculars amb un Garmin Forerunner 255. L'EMG s'ha normalitzat al baseline de caminar. L'anàlisi estadística ha utilitzat el test de Friedman amb la W de Kendall com a mesura de l'efecte. La velocitat ha augmentat la càrrega neuromuscular i biomecànica de forma consistent en tots els participants. L'activació muscular ha augmentat en la majoria dels canals, el rang de moviment de maluc i genoll ha crescut i el temps de contacte amb el terra ha disminuït. La resposta al pendent ha estat més selectiva: la freqüència cardíaca i el ROM de flexió de maluc han augmentat de forma consistent amb el pendent, però les respostes EMG han variat entre participants. La cinemàtica articular ha mostrat una consistència estadística superior a l'EMG, amb la flexió de maluc assolint W = 0.971. S'han identificat associacions entre el temps de contacte i l'activació del tibial anterior (ρ de Spearman mitjà = −0.613), i entre l'activació dels isquiotibials i el ROM de flexió de genoll (ρ mitjà = +0.683). S'han observat asimetries bilaterals persistents en dos participants, estables en totes les condicions. Els resultats proporcionen un conjunt de dades multimodals lligades a condicions concretes, que relacionen l'activació muscular, la cinemàtica articular i les mètriques de rellotge de consum en una graella sistemàtica de velocitat i pendent. Això és un primer pas cap a l'objectiu de Myalbatross d'estimar la càrrega muscular a partir de les dades del rellotge.
  • Thumbnail Image
    logoOpenAccessBachelor thesis
    Robustness of resting-state functional MRI connectivity methods for Alzheimer’s disease biomarker identification
    (2026-06-10) Nest Molina, Júlia van den; Sala Llonch, Roser; Tudela Fernández, Raúl
    [eng] Alzheimer's disease (AD) is a progressive and irreversible neurodegenerative condition with no definitive cure. The identification of reliable, non-invasive biomarkers capable of detecting early disease stages and monitoring treatment response is therefore a critical need, particularly with the emergence of the first disease-modifying therapies. Resting-state functional magnetic resonance imaging (rs-fMRI) measures spontaneous functional connectivity fluctuations across brain regions, allowing the identification of large-scale functional networks whose alterations have been consistently associated with AD pathology, positioning derived measures as promising biomarker candidates. However, findings in the field are frequently inconsistent across studies, raising concerns about reproducibility and replicability that this project addresses. A full rs-fMRI pipeline was developed and systematically evaluated across different subject selections, datasets, and network definition strategies using data from the Alzheimer’s Disease Neuroimaging Initiative, including cognitively normal subjects and patients with mild cognitive impairment. The pipeline includes preprocessing, quality control, group independent component analysis, network classification, dual regression, connectivity matrix computation, and statistical group comparison. The results demonstrate consistent functional connectivity differences between diagnostic groups across the tested configurations, particularly involving the default mode and executive networks. These findings were reproduced across different subject selections within the same dataset and were further supported by an atlas parallel analysis. Differences in sensitivity were observed across datasets, with larger datasets showing richer results, highlighting the importance of sample size and data quality on the reliability of rs-fMRI measures. Overall, the results provide encouraging evidence supporting the robustness and reproducibility of the proposed pipeline for AD biomarker identification. [cat] L'Alzheimer (AD) és una malaltia neurodegenerativa progressiva i irreversible sense cura definitiva. La identificació de biomarcadors fiables i no invasius capaços de detectar estadis primerencs i monitoritzar la resposta al tractament és una necessitat crítica, especialment amb l'aparició de les primeres teràpies modificadores de la malaltia. La ressonància magnètica funcional en estat de repòs (rs-fMRI) mesura les fluctuacions de connectivitat funcional espontània entre regions cerebrals, identificant xarxes funcionals a gran escala, les alteracions de les quals s'associen a la patologia de l'AD. No obstant això, els resultats en el camp són freqüentment inconsistents entre estudis, generant preocupacions sobre reproductibilitat i replicabilitat que aquest projecte aborda directament. Es va desenvolupar un pipeline complet de rs-fMRI avaluat sistemàticament en diferents seleccions de subjectes, conjunts de dades i estratègies de definició de xarxes, utilitzant dades de l'Alzheimer's Disease Neuroimaging Initiative, incloent subjectes cognitivament normals i pacients amb deteriorament cognitiu lleu. El pipeline inclou preprocessament, control de qualitat, anàlisi de components independents grupal, classificació de xarxes, regressió dual, càlcul de matrius de connectivitat i comparació estadística de grups. Els resultats demostren diferències consistents de connectivitat funcional entre grups diagnòstics, especialment a les xarxes de mode per defecte i executiva. Els resultats es van reproduir en diferents seleccions de subjectes i van ser recolzats per una anàlisi paral·lela basada en un atles. Es van observar diferències de sensibilitat entre conjunts de dades, destacant la importància de la mida de la mostra i la qualitat de les dades. En conjunt, els resultats aporten evidència encoratjadora sobre la robustesa i reproductibilitat del pipeline proposat per a la identificació de biomarcadors de l'AD.
  • Thumbnail Image
    logoOpenAccessBachelor thesis
    Development of an iterative Monte Carlo pipeline for realistic brain PET simulation in Alzheimer's Disease
    (2026-06-10) Solé Tarrés, Elena; Tudela Fernández, Raúl; Niñerola Baizán, Aida; Farré Melero, Arnau
    [eng] Alzheimer’s Disease (AD) is the most prevalent neurodegenerative disorder and the leading cause of dementia worldwide, where Positron Emission Tomography (PET) imaging plays a critical role in evaluating its underlying pathology in vivo. This project presents the design and development of an automated pipeline based on Monte Carlo simulations to generate realistic brain PET neuroimaging data. The primary objective is to streamline the creation of a comprehensive, simulated database oriented towards methodological exploration in AD. The proposed framework integrates a Monte Carlo simulation platform to model and compare three distinct radiotracers across an exploratory dataset of real PET images: [¹⁸F]-FDG for glucose metabolism, [¹⁸F]-Florbetapir for amyloid plaques and Tau ligands. The methodology evaluates the global similarity between synthetic and real images while preserving the structure of critical brain regions. The results, evaluated using the Pearson Correlation Coefficient (r) and the Structural Similarity Index Measure (SSIM), demonstrate high structural consistency across all tracers, achieving maximum values of r = 0.9671 and SSIM = 0.8916 for [¹⁸F]-FDG, r = 0.9743 and SSIM = 0.9062 for Amyloid, and r = 0.9660 and SSIM = 0.9228 for Tau. In conclusion, a fully automated PET simulation pipeline was successfully developed. This framework serves as a practical baseline for generating synthetic data to support future imaging research in neurodegenerative diseases. [cat] La malaltia d'Alzheimer (MA) és el trastorn neurodegeneratiu més prevalent i la causa principal de demència a tot el món, en què la tomografia per emissió de positrons (PET) té un paper fonamental per avaluar-ne la patologia subjacent in vivo. Aquest projecte presenta el disseny i desenvolupament d'un flux de treball (pipeline) automatitzat basat en simulacions de Monte Carlo per generar imatges PET cerebrals realistes. L'objectiu principal és optimitzar la creació d'una base de dades simulada orientada a l'exploració metodològica en la MA. L'entorn de treball proposat integra una plataforma de simulació de Monte Carlo per modelar i comparar tres radiotraçadors diferents a partir d'un conjunt d'imatges PET reals: [¹⁸F]-FDG per al metabolisme de la glucosa, [¹⁸F]-Florbetapir per a les plaques d'amiloide i lligands de Tau. La metodologia avalua la similitud global entre les imatges sintètiques i les reals, alhora que preserva l'estructura de les regions cerebrals crítiques. Els resultats, avaluats mitjançant el coeficient de correlació de Pearson (r) i l'índex de similitud estructural (SSIM), demostren una alta consistència estructural en tots els traçadors, i s'assoleixen valors màxims de r = 0,9671 i SSIM = 0,8916 per al [¹⁸F]-FDG, r = 0,9743 i SSIM = 0,9062 per a l'amiloide, i r = 0,9660 i SSIM = 0,9228 per al Tau. En conclusió, s'ha desenvolupat amb èxit un pipeline de simulació PET totalment automatitzat. Aquest entorn de treball serveix com a base pràctica per generar dades sintètiques que donin suport a la recerca futura en imatge de malalties neurodegeneratives.
  • Thumbnail Image
    logoOpenAccessBachelor thesis
    Antipsychotic Use in Schizophrenia in Catalonia: A Real-World Comparative Effectiveness Study of Adherence Trajectories and Clinical Outcomes Using PADRIS-PRESTO Population-Based Administrative Data
    (2026-06-10) Raja Gubau, Laia; Leguízamo, Lina; Mas Herrero, Sergi
    [eng] Medication non-adherence in schizophrenia remains one of the most significant barriers to effective treatment, contributing to relapse, psychiatric hospitalisation, and deteriorating quality of life. Long-acting injectable antipsychotics have been proposed as a strategy to improve adherence by eliminating the need for daily self-administration, yet real-world evidence on the longitudinal trajectory of adherence following a witch from oral formulations remains limited. This study uses administrative dispensing data from the PADRIS-PRESTO cohort in Catalonia to characterise monthly adherence trajectories in patients with schizophrenia who transitioned from oral antipsychotics to long-acting injectables between 2015 and 2017. Time series clustering was applied to a final cohort of 1,025 patients, identifying four clinically distinct adherence trajectory groups: LAI Improvers, Chronically Adherent patients, Early Dropouts, and Moderate Improvers. Analysis of psychiatric healthcare contacts in the 12 months surrounding the switch revealed that LAI Improvers experienced the largest reductions in emergency department visits, psychiatric hospitalizations, and outpatient contacts. These findings suggest that the clinical benefit of switching to long-acting injectables is strongly concentrated in patients with previously poor oral adherence, and that longitudinal trajectory analysis offers a more informative framework for evaluating treatment switches than conventional binary adherence metrics. [cat] L'incompliment terapèutic en l'esquizofrènia continua sent un dels principals obstacles per a un tractament efectiu, contribuint al risc de recaiguda, l'hospitalització psiquiàtrica i el deteriorament de la qualitat de vida dels pacients. Els antipsicòtics injectables de llarga durada s'han proposat com una estratègia per millorar l'adherència en eliminar la necessitat d'autoadministració diària, tot i que l'evidència en condicions de pràctica clínica real sobre l'evolució longitudinal de l'adherència després del canvi des de formulacions orals continua sent limitada. Aquest estudi utilitza dades de dispensació farmacèutica de la cohort PADRIS-PRESTO de Catalunya per caracteritzar les trajectòries mensuals d'adherència en pacients amb diagnòstic d'esquizofrènia que van transitar d'antipsicòtics orals a injectables de llarga durada entre 2015 i 2017. Es va aplicar un algoritme de clustering de sèries temporals a una cohort final de 1.025 pacients, identificant quatre grups clínicament diferenciats: Milloradors amb LAI, Adherents crònics, Abandonadors primerencs i Milloradors moderats. L'anàlisi dels contactes psiquiàtrics en els 12 mesos al voltant del canvi va revelar que els milloradors amb LAI van experimentar les reduccions més grans en visites a urgències, hospitalitzacions psiquiàtriques i visites ambulatòries. Aquests resultats suggereixen que el benefici clínic del canvi a injectables de llarga durada es concentra principalment en pacients amb adherència oral prèviament deficient, i que l'anàlisi de trajectòries longitudinals ofereix un marc més informatiu per avaluar els canvis de tractament que les mètriques binàries d'adherència convencionals.
  • Thumbnail Image
    logoOpenAccessBachelor thesis
    Deep Learning for Acute Myocardial Infarction Detection from 12-Lead ECG: A Comparison of 1D Signal, 2D Image, and Multimodal Representations
    (2026-06-10) Quesada Galán, Sergi; Barrios, Juan Ignacio; Borrat, Xavier
    [eng] Acute myocardial infarction (AMI) is the leading cause of cardiovascular mortality worldwide. The 12-lead electrocardiogram (ECG) is the primary triage tool for AMI diagnosis, but its interpretation requires trained cardiologists who are not always available at the point of care. This project evaluates whether the choice of ECG input representation, raw 1D waveform versus rasterized 2D image, substantially affects the performance of deep learning models for automated AMI detection. Five models were trained and evaluated on a balanced cohort of 20,000 12-lead ECG records from MIMIC-IV-ECG (10,000 AMI, 10,000 controls), labeled using ICD-10-CM hospital discharge codes. The models evaluated were a logistic regression classifier on automatic machine measurements (baseline), a 1D residual network (ResNet-1D) on raw waveforms, two ImageNet-pretrained vision architectures (EfficientNet-B0 and ViT-B/16) on rendered ECG images, and a late fusion model combining the ResNet-1D encoder with structured metadata. All models were evaluated on a shared held-out test set (n = 2,967) using AUROC, sensitivity, specificity, and F1-score. ResNet-1D achieved the best performance (AUROC = 0.834, sensitivity = 0.765, specificity = 0.737). Image-based models performed substantially lower: ViT-B/16 reached AUROC = 0.787 and EfficientNet-B0 reached 0.730. The late fusion model matched the standalone ResNet-1D (AUROC = 0.834), indicating that automatic machine measurements add no discriminative information beyond what the waveform encoder captures. The logistic regression baseline achieved AUROC = 0.552. These results show that raw waveform processing is the superior input strategy when digital ECG signals are available, and that rendered ECG images remain a viable alternative for settings without interoperable digital output. [cat] L'infart agut de miocardi (IAM) és la principal causa de mort cardiovascular a tot el món. L'electrocardiograma (ECG) de 12 derivacions és l'eina de triatge de primera línia per al seu diagnòstic, però la seva interpretació requereix cardiòlegs especialitzats que no sempre estan disponibles en el punt d'atenció. Aquest projecte avalua si la representació del senyal ECG utilitzada com a entrada, senyal 1D cru enfront d'imatge 2D rasteritzada, afecta de forma substancial el rendiment dels models d'aprenentatge profund per a la detecció automàtica d'IAM. Es van entrenar i avaluar cinc models sobre una cohort balancejada de 20.000 registres ECG de 12 derivacions de MIMIC-IV-ECG (10.000 IAM, 10.000 controls), etiquetats mitjançant codis d'alta hospitalària ICD-10-CM. Els models avaluats van ser una regressió logística sobre mesuraments automàtics de l’electrocardiògraf (referència), una xarxa residual 1D (ResNet-1D) sobre senyal cru, dues arquitectures de visió preentrenades a ImageNet (EfficientNet-B0 i ViT-B/16) sobre imatges ECG renderitzades, i un model de fusió tardana que combina l'encoder ResNet-1D amb metadades estructurades. Tots els models es van avaluar sobre un conjunt de test compartit (n = 2.967) amb AUROC, sensibilitat, especificitat i F1-score. ResNet-1D va obtenir el millor rendiment (AUROC = 0,834, sensibilitat = 0,765, especificitat =0,737). Els models basats en imatge van rendir considerablement menys: ViT-B/16 va assolir un AUROC de 0,787 i EfficientNet-B0 de 0,730. El model de fusió tardana va ser pràcticament idèntic al ResNet-1D aïllat (AUROC = 0,834), la qual cosa indica que els mesuraments automàtics de l'electrocardiògraf no aporten informació discriminativa addicional. La regressió logística va assolir un AUROC de 0,552. Aquests resultats mostren que el processament directe del senyal és l'estratègia d'entrada superior quan el senyal digital està disponible, i que les imatges ECG renderitzades són una alternativa viable en entorns sense sortida digital interoperable.
  • Thumbnail Image
    logoOpenAccessBachelor thesis
    Design and Implementation of Aurora: A Conversational Chatbot for Suicide Prevention Based on the WHO mhGAP-IG v2.0 Guide (Proof of Concept)
    (2026-06-10) Queraltó Pérez, Jordi; Montero Barquero, Francisco; Barrios, Juan Ignacio
    [eng] Suicide remains one of the leading causes of preventable death worldwide, with over 720,000 deaths annually. Despite growing demand for mental health services, traditional care systems face structural limitations in scalability, accessibility, and early detection. This project presents the design and implementation of a proof-of-concept backend for a conversational chatbot, named Aurora, aimed at suicide prevention and emotional support, clinically aligned with the WHO Mental Health Gap Action Programme Intervention Guide (mhGAP-IG v2.0) and framed within the PAHO/WHO Vivir la vida suicide prevention strategy. The system is built upon a finite state machine that operationalizes the mhGAP standardized protocols for depression screening and suicide risk stratification through traceable, deterministic decision pathways. A hybrid conversational architecture combines fixed, clinically validated question cores with empathic bridges generated by a large language model, ensuring clinical safety during critical evaluation phases while preserving conversational naturalness. Risk detection relies on regular expressions (REGEX), prioritizing full algorithmic explainability over the opacity of machine learning classifiers. The backend ecosystem includes a MongoDB database layer, automated PDF clinical report generation for a medical specialist dashboard, an emergency referral module routing users to crisis services, and a follow-up protocol designed to prevent users falling through the gaps of the healthcare system. Additionally, a psychoeducation module delivers validated mental health information through dynamic infographics. [cat] El suïcidi continua sent una de les principals causes de mort evitable a tot el món, amb més de 720.000 morts anuals. Tot i la creixent demanda de serveis de salut mental, els sistemes d'atenció tradicionals s'enfronten a limitacions estructurals pel que fa a l'escalabilitat, l'accessibilitat i la detecció primerenca. Aquest projecte presenta el disseny i la implementació d'un backend de prova de concepte per a un xatbot conversacional, anomenat Aurora, orientat a la prevenció del suïcidi i al suport emocional, clínicament alineat amb la Guia d'Intervenció del Mental Health Gap Action Programme de l'OMS (mhGAP-IG v2.0) i emmarcat dins de l'estratègia de prevenció del suïcidi Vivir la vida de l'OPS/OMS. El sistema es basa en una màquina d'estats finits que operativitza els protocols estandarditzats de la guia mhGAP per al cribratge de la depressió i l'estratificació del risc de suïcidi mitjançant rutes de decisió traçables i deterministes. Una arquitectura conversacional híbrida combina nuclis de preguntes fixos i clínicament validats amb ponts empàtics generats per un model de llenguatge gran (LLM), la qual cosa garanteix la seguretat clínica durant les fases crítiques d'avaluació alhora que preserva la naturalitat conversacional. La detecció del risc es basa en expressions regulars (REGEX), prioritzant una explicabilitat algorísmica total per sobre de l'opacitat dels classificadors d'aprenentatge automàtic (machine learning). L'ecosistema del backend inclou una capa de base de dades MongoDB, la generació automatitzada d'informes clínics en PDF per a un panell de control (dashboard) d'especialistes mèdics, un mòdul de derivació d'emergències que redirigeix els usuaris cap als serveis de crisi, i un protocol de seguiment dissenyat per evitar que els usuaris quedin desatesos pels buits del sistema sanitari. A més, un mòdul de psicoeducació proporciona informació validada sobre salut mental a través d'infografies dinàmiques.
  • Thumbnail Image
    logoOpenAccessBachelor thesis
    Machine Learning-Based Prediction of Atrial Arrhythmia Recurrence After Atrial Fibrillation Ablation Using Clinical and Echocardiographic Variables
    (2026-06-10) Payeras Crespí, Margalida; Guichard, Jean Baptiste; Mont Girbau, Lluís
    [eng] Atrial fibrillation is one of the most common cardiac arrhythmias and may require catheter ablation when pharmacological treatment is insufficient. However, atrial arrhythmia recurrence after ablation remains frequent, affecting approximately one third of patients. Identifying individuals at higher risk is therefore essential to improve patient selection, guide clinical expectations, and optimize healthcare resources. This final degree project explores the use of machine learning techniques to predict atrial arrhythmia recurrence after atrial fibrillation ablation using clinical and echocardiographic data from 372 patients treated at the Arrhythmia Unit of the Hospital Clínic of Barcelona. A Python-based machine learning pipeline was developed, including data exploration, preprocessing, model training, evaluation, feature selection, and interpretability analysis. Several supervised classification algorithms were trained and compared using the area under the receiver operating characteristic curve as the main performance metric. Different feature configurations were evaluated to assess the contribution of raw, indexed, clinical, and echocardiographic variables. The best performance was achieved by a Random Forest model using raw echocardiographic measurements combined with clinical and anthropometric variables, reaching an AUC of 0.680. Support Vector Machine models also improved after feature selection, achieving an AUC of 0.666. Feature analysis suggested that left atrial echocardiographic parameters were relevant predictors of recurrence. Overall, the results show that machine-learning-based approaches can moderately capture complex relationships between clinical and structural cardiac variables. Although predictive performance remains limited, these methods may serve as complementary tools for recurrence risk assessment, highlighting the importance of data quality, rigorous preprocessing, and feature selection in clinical prediction model. [cat] La fibril·lació auricular és una de les arrítmies cardíaques més freqüents i pot requerir ablació amb catèter quan el tractament farmacològic és insuficient. Tanmateix, la recurrència d’arrítmies auriculars després de l’ablació continua sent freqüent i afecta aproximadament un terç dels pacients. Identificar els individus amb més risc és, per tant, essencial per millorar la selecció de pacients, orientar les expectatives clíniques i optimitzar els recursos sanitaris. Aquest treball de fi de grau explora l’ús de tècniques d’aprenentatge automàtic per predir la recurrència d’arrítmies auriculars després de l’ablació per fibril·lació auricular utilitzant dades clíniques i ecocardiogràfiques de 372 pacients tractats a la Unitat d’Arrítmies de l’Hospital Clínic de Barcelona. Es va desenvolupar un flux de treball d’aprenentatge automàtic basat en Python, que inclou l’exploració de dades, el preprocessament, l’entrenament de models, l’avaluació, la selecció de variables i l’anàlisi d’interpretabilitat. Es van entrenar i comparar diversos algoritmes de classificació supervisada utilitzant l’àrea sota la corba ROC com a mètrica principal de rendiment. També es van avaluar diferents configuracions de variables per analitzar la contribució de les variables brutes, indexades, clíniques i ecocardiogràfiques. El millor rendiment es va assolir amb un model Random Forest que utilitzava mesures ecocardiogràfiques brutes combinades amb variables clíniques i antropomètriques, assolint una AUC de 0,680. Els models Support Vector Machine també van millorar després de la selecció de variables, aconseguint una AUC de 0,666. L’anàlisi de variables va suggerir que els paràmetres ecocardiogràfics de l’aurícula esquerra eren predictors rellevants de recurrència. En conjunt, els resultats mostren que els enfocaments basats en aprenentatge automàtic poden captar moderadament relacions complexes entre variables clíniques i estructurals cardíaques. Tot i que el rendiment predictiu continua sent limitat, aquests mètodes poden servir com a eines complementàries per a l’avaluació del risc de recurrència, destacant la importància de la qualitat de les dades, d’un preprocessament rigorós i de la selecció de variables en els models predictius clínics.
  • Thumbnail Image
    logoOpenAccessBachelor thesis
    Embedding Geometry in Encoder Selection for Biomedical NLP
    (2026-06-10) Ouhida Ben Romdhane, Mohamed Aziz; Gavara i Casas, Núria; Gallego, Fernando; Krallinger, Martin
    [eng] As the digitisation of healthcare generates vast amounts of unstructured texts, Natural Language Processing tasks like Named Entity Recognition have become essential for clinical information extraction and processing. However, dedicated biomedical language models remain heavily concentrated in English, leaving low-resource European languages dependent on suboptimal multilingual general-purpose models. This thesis addresses this bottleneck by exploring whether geometric properties of pre-trained embedding spaces can serve as a cheap predictor for cross-lingual transferability of biomedical encoders. Correlation analysis across a wide selection of embedding similarity metrics identifies two stable, internally coherent co-prediction clusters, which are then evaluated against downstream NER performance across 7 European languages. Results show a predictive capacity bound by language-family constraints: Romance-language models demonstrate high concordance between geometric similarity and NER transferability, while Slavic and Germanic models exhibit weaker agreement. These findings establish embedding geometry as a viable, albeit conditional, proxy for cross-lingual transfer, warranting a follow-up large-scale study. [cat] A mesura que la digitalització del sistema sanitari genera grans quantitats de documents desestructurats, les tasques de Processament de Llenguatge Natural, com pot ser el Reconeixement d’Entitats, s’han tornat essencials per a l’extracció i el processament de la informació clínica. El desenvolupament, però, de models biomèdics, ha estat concentrat principalment en l’anglès, deixant de banda a les llengües Europees de baixos recursos, qui l’única alternativa que troben és utilitzar models multilingües de domini general. Aquest TFG, buscant tractar aquesta limitació, estudia si és possible utilitzar la similitud de l’espai d’embedding com a indicador de transferibilitat multilingüe de codificadors biomèdics. Una anàlisi de correlacions entre una gran selecció de mètriques de similitud identifiquen dos clústers estables i coherents, els quals són testejats contra tasques de RE en 7 idiomes europeus. Els resultats demostren una capacitat predictiva limitada per la família lingüística: els models de família romànica mostren una alta concordança entre la semblança de l’espai d’embeddings i la transferibilitat del RE, mentre que models Eslaus o Germànics mostren correlacions més limitades. Aquestes troballes estableixen a la geometria dels embeddings com a un indicador, tot sigui condicional, de transferibilitat multilingüe, motivant un estudi a més gran escala.
  • Thumbnail Image
    logoOpenAccessBachelor thesis
    A Data Analysis Pipeline for Running Training Profiling and Load Monitoring from Consumer Wearables
    (2026-06-10) Nicolau Rivas, Víctor; Sala Llonch, Roser; Marco Pascual, Ricardo
    [eng] Running is one of the most popular recreational sports, but the training data that consumer wearables generate is rarely used for anything beyond the individual athlete. This project builds a data analysis pipeline for running data collected through the MyAlbatross platform, covering the full process from raw Garmin FIT file parsing to athlete profiling and workload monitoring, with the aim of analysing training behaviour at group level and identifying runner profiles. The pipeline processed 18,239 FIT files from 118 athletes, enriched them with platform metadata, and applied quality control to produce a clean dataset of 8,246 sessions from 102 athletes. It computes session-level features (training load (TRIMP), grade adjusted pace (GAP), heart rate zone distribution, and running dynamics) and aggregates them into athlete-level features over 8 week windows. K-means clustering was applied as a validation step. At session level it produced eight types whose profiles match the categories described in the endurance literature. At athlete level it produced two profiles: one high-volume, low-intensity and consistent, the other lower-volume, higher-intensity and less consistent. The Acute:Chronic Workload Ratio (ACWR) was computed for the 87 athletes with sufficient training history. The clusters separate athletes along volume and intensity, which shows that the features carry information beyond raw load. The pipeline turns consumer wearable data into validated training features that can serve as the analytical foundation for a recommendation system within MyAlbatross. [cat] Córrer és un dels esports recreatius més populars del món, però les dades d'entrenament que generen els dispositius portables (wearables) rarament s'utilitzen més enllà de l'atleta individual. Aquest projecte construeix un flux de treball (pipeline) d'anàlisi de dades per a dades de running recollides a través de la plataforma MyAlbatross. Cobreix el procés complet des del processament de fitxers FIT bruts de Garmin fins als perfils d'atletes i el monitoratge de la càrrega d'entrenament, amb l'objectiu d'analitzar el comportament d'entrenament a nivell de grup i identificar perfils de corredors. El flux de treball ha processat 18.239 fitxers FIT de 118 atletes, els ha enriquit amb dades de la plataforma i ha aplicat control de qualitat per obtenir un conjunt de dades net de 8.246 sessions de 102 atletes. Calcula característiques a nivell de sessió (càrrega d'entrenament (TRIMP), ritme ajustat al pendent (GAP), distribució de zones de freqüència cardíaca i dinàmica de carrera) i les agrega en característiques a nivell d'atleta en finestres de 8 setmanes. L’agrupament (clustering) K-means es va aplicar com a pas de validació. A nivell de sessió va produir vuit tipus els perfils dels quals coincideixen amb les categories descrites a la literatura d'esports de resistència. A nivell d'atleta va produir dos perfils: un d'alt volum, baixa intensitat i consistent, i un altre de menor volum, major intensitat i menys consistent. La relació càrrega aguda:crònica (ACWR) es va calcular per als 87 atletes amb historial d'entrenament suficient. Els clústers separen els atletes per volum i intensitat, cosa que mostra que les característiques contenen informació més enllà del volum d'entrenament. El flux de treball converteix les dades de dispositius portables de consum en característiques d'entrenament validades que poden servir de base analítica per a un sistema de recomanació dins de MyAlbatross.
  • Thumbnail Image
    logoOpenAccessBachelor thesis
    Integration of ECG Signal Processing and IMU-Based Motion Analysis with Extended Reality for Real-Time Sports Monitoring
    (2026-06-10) Navarro Lopez, Alba; Trias Gumbau, Gerard
    [eng] Monitoring training in swimming is a complex challenge due to the aquatic barrier, the biomechanics of the exercise, and the limited interaction between coach and swimmer during activity. This work presents the design of a real-time monitoring prototype that integrates physiological signals (electrocardiogram) and biomechanical signals (inertial measurement unit), visualising them through extended reality using Meta Quest 3 glasses. The ECG signal is acquired with a Bitalino (r)evolution board and processed in Python using Butterworth and Savitzky-Golay filters, detecting R-peaks and computing instantaneous heart rate and variability (RMSSD). Due to the inability to access raw data from the Movesense OP174 and the limitations of Bluetooth in aquatic environments, inertial data is generated using a parametric simulator based on a macro-micro approach, which reproduces a realistic swimming session (bouts, laps, turns and biomechanical phases). The system segments the session, detects the phases, and extracts per-lap performance metrics. The architecture separates processing (Python) from visualisation (Unity) through UDP sockets with JSON messaging. The dashboard renders the ECG trace, instantaneous cardiac metrics, and a biomechanical session summary, with head tracking and hand-tracking support. The prototype demonstrates the technical and economic feasibility of the processing and visualisation architecture; it does not demonstrate feasibility of in water swimming monitoring, since the ECG sensor used is not submersible and the inertial data is simulated, that is why the system is not deployed in its aquatic environment. Validation with real IMU data and aquatic deployment remain as future work. [cat] El monitoratge de l'entrenament en natació és complexe per la barrera aquàtica, la biomecànica de l'exercici i la dificultat d'interacció entre entrenador i nedador durant l'activitat. Aquest treball presenta el disseny d'un prototip de monitoratge en temps real que integra senyals fisiològics (electrocardiograma) i biomecànics (unitat de mesura inercial) i els visualitza en realitat estesa amb ulleres Meta Quest 3. L'electrocardiograma s'adquireix amb una placa Bitalino (r)evolution i es processa en Python aplicant filtres de Butterworth i Savitzky-Golay, detecta els pics R i en calcula la freqüència cardíaca instantània i la variabilitat (RMSSD). Davant la impossibilitat d'accedir a les dades brutes del Movesense OP174 i les limitacions de Bluetooth en entorn aquàtic, les dades inercials es generen amb un simulador paramètric basat en un enfocament macro-micro, que reprodueix una sessió real (bouts, laps, girs i fases biomecàniques). El sistema segmenta la sessió, detecta les fases i extreu mètriques de rendiment per llargada. L'arquitectura separa el processament (Python) de la visualització (Unity) mitjançant sockets UDP amb missatgeria JSON. El dashboard renderitza el traçat ECG, les mètriques cardíaques instantànies i el resum biomecànic de la sessió, amb seguiment del cap i hand-tracking. El prototip demostra la viabilitat tècnica i econòmica de l’arquitectura de processament i visualització; no demostra la viabilitat del monitoratge en entorn aquàtic, ja que el sensor ECG utilitzat no és submergible, les dades inercials són simulades i per això no es desplega el sistema en l’entorn aquàtic. Queden com a treball futur la validació amb dades reals d’IMU i el desplegament a l’aigua.
  • Thumbnail Image
    logoOpenAccessBachelor thesis
    Automatic Segmentation of Postmenopausal Ovaries in T2-Weighted MRI using Deep Learning
    (2026-06-10) Haro Jovés, Berta; Niñerola Baizán, Aida; Farré Melero, Arnau
    [eng] Postmenopausal ovaries are small, low-contrast structures that are difficult to delineate reliably on T2 weighted MRI. Accurate segmentation is a prerequisite for radiomic analysis and AI-based characterisation of adnexal masses, but no published method specifically addresses normal, atrophic postmenopausal ovaries. This work develops and evaluates a deep learning pipeline for automatic segmentation using a clinical dataset from 103 patients at Hospital Clínic de Barcelona. Several deep learning architectures and training strategies were compared. A patch-based approach with data augmentation, designed to address the severe class imbalance in this target, served as the primary model. Two automatic localisation approaches were also developed. As a downstream application, radiomic features were extracted from the ground-truth masks and used to train a classifier for binary age prediction The patch-based AttentionU-Net achieved a validation Dice of 0.619 and a test Dice of 0.447, measured with ground-truth centroids. The radiomics classifier achieved 61.9% accuracy on binary age classification (chance level: 50.5%), with shape descriptors as the most discriminative features. This work delivers the first reported segmentation results for normal atrophic postmenopausal ovaries in T2-weighted MRI, together with a preliminary radiomic characterisation of the segmented structures. Automatic localisation of the ovary remains the main open challenge before a fully automated pipeline becomes feasible. [cat] Els ovaris postmenopàusics són estructures petites i de baix contrast, difícils de delimitar de forma fiable en RM T2. Una segmentació precisa és un prerequisit per a l'anàlisi radiòmica i la caracterització per IA de les masses anexials, però cap mètode publicat aborda específicament els ovaris postmenopàusics normals i atròfics. Aquest treball desenvolupa i avalua un pipeline de deep learning per a la segmentació automàtica a partir d'un conjunt de dades clínic de 103 pacients de l'Hospital Clínic de Barcelona. Es van comparar diverses arquitectures i estratègies d'entrenament. El model principal va ser un enfocament basat en pedaços amb augmentació de dades, que resol el desequilibri de classes inherent a aquest problema. També es van desenvolupar dos mètodes de localització automàtica. Com a aplicació secundària, es van extreure característiques radiòmiques de les màscares de referència per entrenar un classificador per a la predicció binària d'edat. L'AttentionU-Net basada en patches va assolir un Dice de validació de 0,619 i un Dice de test de 0,447. El classificador radiòmic va obtenir un 61,9% d'exactitud en la classificació binària d'edat (nivell d'atzar: 50,5%), amb els descriptors de forma com a característiques més discriminatives. Aquest treball reporta els primers resultats de segmentació publicats per a ovaris postmenopàusics normals i atròfics en RM T2, amb una caracterització radiòmica preliminar de les estructures segmentades. La localització automàtica de l'ovari és el pas principal pendent de resoldre abans que el pipeline pugui funcionar sense intervenció manual.
  • Thumbnail Image
    logoOpenAccessBachelor thesis
    Acoustic characterization of the Hepatic ICU at Hospital Clínic de Barcelona: noise levels, sources and implications for patient comfort
    (2026-06-10) Giralt Muntada, Bruna; Trias Gumbau, Gerard
    [eng] Noise is one of the most pervasive and clinically significant environmental stressors in intensive care units (ICUs). Sustained acoustic exposure disrupts patient sleep, activates stress response pathways, and contributes to delirium and impaired recovery; effects that are particularly pronounced in patients with hepatic pathology. This study characterizes the acoustic environment of the Hepatic ICU at Hospital Clínic de Barcelona through a mixed-methods approach combining a bibliographic review of existing evidence, direct observational visits to the unit, and a quantitative sound level measurement campaign. Two SoundEar-3-300 sound level meters were deployed simultaneously over approximately three weeks, one in a patient box and one at the nursing station, recording equivalent continuous sound levels (LAeq) at one-hour intervals. Two patient boxes were monitored in consecutive phases: Box 9, located close to the nursing station, and Box 14, the most distal box in the unit. Noise levels remained consistently and substantially elevated throughout the entire campaign (all exceeding the World Health Organization recommended limits of 35 dB(A) during the day and 30 dB(A) at night). Improvement proposals are presented at three levels with intelligent alarm management identified as the most impactful medium-term intervention. [cat] El soroll és un dels factors d’estrès ambiental més omnipresents i clínicament significatius de les unitats de cures intensives (UCI). L’exposició acústica sostinguda altera el son dels pacients, activa les vies de resposta a l’estrès i contribueix el delírium i a una recuperació deficient; efectes que són particularment pronunciats en pacients amb patologia hepàtica. Aquest estudi caracteritza l’entorn acústic de la UCI Hepàtica de l’Hospital Clínic de Barcelona mitjançant un enfocament de mètodes mixtos que combina una revisió bibliogràfica de l’evidència existent, visites observacionals directes a la unitat i una campanya quantitativa de mesura del nivell sonor. Dos sonòmetres SoundEar3-300 es van desplegar simultàniament durant aproximadament tres setmanes, un en un box de pacient i un altre a l’estació d’infermeria, registrant nivells sonors continus equivalents (LAeq) a intervals d’una hora. Es van monitoritzar dos boxes en fases consecutives: el Box 9, situat a prop de l’estació d’infermeria, i el Box 14, el box més distal de la unitat. Els nivells de soroll es van mantenir consistentment i substancialment elevats al llarg de tota la campanya (van superar els límits recomanats per l’Organització Mundial de la Salut de 35 dB(A) durant el dia i 30 dB(A) durant la nit). Es presenten propostes de millora en tres nivells identificant la gestió intel·ligent d’alarmes com la intervenció de major impacte a mitjà termini.
  • Thumbnail Image
    logoOpenAccessBachelor thesis
    Benchmarking Latent Variable Models for Neural Representations
    (2026-06-09) García Ortiz, David; Abante Llenas, Jordi
    [eng] Computational neuroscience seeks to understand how internal brain mechanisms encode behavior and sensory stimuli through mathematical models that capture the dynamics of neural populations. Latent variable models are particularly useful because they identify low-dimensional representations from recordings of thousands of neurons, enabling visualization of how coordinated neural activity relates to behavior or external stimuli. This thesis benchmarks deep learning-based generalizations (CEBRA, GP-VAE) with baseline models (PCA, UMAP, t-SNE) on two neural recording datasets with positional context labels, involving navigation and proprioception tasks. The evaluated models included a generative approach consisting of a modified variational autoencoder incorporating a Gaussian process prior and a contrastive term, as well as non-generative CEBRA models in both supervised and self-supervised modes. Model performance was assessed through the decoding performance of the produced embeddings from the models on predicting the positional label and a global activity metric quantifying the amount of information retained from the original neural signal. Models were com pared using a Pareto analysis that jointly optimized the coefficient of determination for both objectives while accounting for latent dimensionality to evaluate representational compactness. Overall, the results indicate that PCA with a sufficient number of dimensions provides the best balance between information preservation and decoding performance on these datasets. Although deep latent variable models achieved superior decoding per formance, particularly in supervised settings, they were penalized by their lower ability to preserve the global structure of the original signal. [cat] La neurociència computacional busca entendre com els mecanismes interns del cervell codifiquen el comportament i els estímuls sensorials mitjançant models matemàtics que capturen la dinàmica de les poblacions neuronals. Els models de variables latents són especialment útils perquè identifiquen representacions de baixa dimensionalitat a partir d’enregistraments de milers de neurones, cosa que permet visualitzar com l’activitat neuronal coordinada es relaciona amb el comportament o amb estímuls externs. Aquesta tesi compara generalitzacions basades en aprenentatge profund (CEBRA, GP-VAE) amb models de referència (PCA, UMAP i t-SNE) en dos conjunts de dades d’enregistraments neuronals amb etiquetes de context posicional, corresponents a tasques de navegació i propiocepció. Els models avaluats inclouen un enfocament generatiu basat en un autoencoder variacional modificat que incorpora un prior de procés gaussià i un terme contrastiu, així com models CEBRA no generatius tant en mode supervisat com autosupervisat. El rendiment dels models es va avaluar mitjançant la capacitat de descodificació de les representacions latents generades per predir l’etiqueta posicional, així com a través d’una mètrica global d’activitat que quantifica la quantitat d’informació conservada del senyal neuronal original. Els models es van comparar utilitzant una anàlisi de Pareto que optimitzava conjuntament el coeficient de determinació per a tots dos objectius, tenint en compte també la dimensionalitat latent per avaluar la compacitat de les representacions. En conjunt, els resultats indiquen que la PCA, amb un nombre suficient de dimensions, ofereix el millor equilibri entre la preservació de la informació i el rendiment de descodificació en aquests conjunts de dades. Tot i que els models profunds de variables latents van assolir un millor rendiment de descodificació, especialment en entorns supervisats, van ser penalitzats per la seva menor capacitat de preservar l’estructura global del senyal original.
  • Thumbnail Image
    logoOpenAccessBachelor thesis
    A Foundation Model for Glucose Dynamics in Type 1 Diabetes: Pre-training, Evaluation, and Knowledge Transfer
    (2026-06-08) Font Oliveras, Marc; Barrios, Juan Ignacio; Vehí Casellas, Josep
    [eng] Personalised management of Type 1 Diabetes(T1D)dependsonunderstandingeachpatient’sglucose dynamics, yet supervised labels for clinical models are scarce and costly. The growing availability of continuous glucose monitoring (CGM) wearables creates an opportunity: self-supervised pre-training on unlabelled CGM sequences could learn physiological representations that transfer to clinical tasks. Two transformer foundation models were trained on 934 adult T1D patients from the METABONET and T1DEXI datasets. The first is a BERT-style bidirectional encoder trained with masked span reconstruction; the second a GPT-style causal decoder trained with next-token prediction. Both take CGM alongside ODE-derived plasma insulin and carbohydrate absorption as input, providing richer physiological context than glucose alone. The encoder’s reconstruction capability was first validated on gap imputation. Lightweight task heads were then fine-tuned on short-term glucose forecasting and nocturnal hypoglycaemia risk prediction, and compared against LSTM baselines trained from scratch. Fine-tuned foundation model variants matched or exceeded baseline performance across all tasks without exposure to any task labels during pre-training. Patient embeddings from both architectures were analysed using linear probes and dimensionality reduction. The embeddings recovered insulin sensitivity factor and carbohydrate-to-insulin ratio more accurately than a regression model with access to the patient’s full 24-hour insulin and absorption pro files, parameters the models were never trained to predict. Both embedding spaces stratified patients by glycaemic risk without supervision. These results show that self-supervised pre-training on CGM sequences learns representations that transfer across clinical tasks and encode physiological information beyond what the pre-training objective explicitly demands. [cat] La gestió personalitzada de la diabetis tipus 1 (DT1) depèn de la comprensió de la dinàmica de la glucosa de cada pacient, però les etiquetes supervisades per a models clínics són escasses i costoses. La disponibilitat creixent de dispositius de monitoratge continu de glucosa (MCG) ofereix una oportunitat: el preentrenament autosupervisat en seqüències de MCG no etiquetades per aprendre representacions fisiològiques transferibles a tasques clíniques. S’han entrenat dos models fonamentals transformer amb 934 pacients adults amb DT1 de les fonts METABONET i T1DEXI. El primer és un codificador bidireccional d’estil BERT entrenat a partir de la reconstrucció de segments emmascarats; el segon, un descodificador causal d’estil GPT entrenat mitjançant predicció del següent token. Ambdós utilitzen com a entrada el MCG juntament amb la insulina plasmàtica i l’absorció de carbohidrats, proporcionant un context fisiològic més ric que la glucosa sola. La capacitat de reconstrucció del codificador s’ha validat primer en la imputació de buits. Després, s’han integrat models lleugers per a la predicció de la glucosa a curt termini i del risc d’hipoglucèmia nocturna, i s’han comparat amb models base LSTM entrenats des de zero. Les variants del model fonamental han igualat o superat el rendiment dels models base en totes les tasques sense haver estat exposats a etiquetes de tasca durant el preentrenament. Els embeddings dels cohorts d’ambdues arquitectures s’han analitzat mitjançant models lineals i reducció de dimensionalitat. Els embeddings han recuperat el factor de sensibilitat a la insulina i la ràtio carbohidrat-insulina amb més precisió que un model de regressió amb accés al perfil complet de 24 hores d’insulina i absorció del pacient, paràmetres que els models mai han estat entrenats per predir. Per altra banda, ambdós espais d’embeddings estratifiquen els pacients per risc glicèmic de forma no supervisada. Aquests resultats demostren que el preentrenament autosupervisat en seqüències de MCG aprèn representacions que es transfereixen entre tasques clíniques i codifiquen informació fisiològica més enllà de la corresponent a l’objectiu de preentrenament.
  • Thumbnail Image
    logoOpenAccessBachelor thesis
    Brain Age Estimation from Structural MRI: Development of a Machine Learning Pipeline and Clinical Applications
    (2026-06-10) Domínguez Galceran, Mar; Sala Llonch, Roser; Segura i Fàbregas, Bàrbara
    [eng] The human brain undergoes progressive structural changes across the lifespan that can be quantified using neuroimaging. In this context, brain age prediction has emerged as a useful approach to estimate biological age from magnetic resonance image (MRI) data. Thus, the Brain Age Gap (BAG), defined as the difference between model-estimated brain age and chronological age, has been proposed as an exploratory biomarker of brain health. This study focuses on developing and validating a machine learning (ML) pipeline for brain age estimation using morphometric features extracted from T1-weighted MRI. A multicenter dataset of 2,163 healthy individuals aged 55 to 85 years was collected from different sources, harmonized, and used to train several regression models. Among the tested approaches, Support Vector Regression (SVR) showed the best balance between accuracy and generalization, achieving a mean absolute error of 3.08 years. To improve interpretability and reduce age-related bias, a post hoc adjustment based on Locally Weighted Scatterplot Smoothing (LOWESS) was applied to the predicted values. This allowed the calculation of a corrected BAG. The most informative features were mainly global structural measures, including cerebrospinal fluid, ventricular and subcortical volumes. The final model was also tested in clinical cohorts of schizophrenia and Alzheimer’s disease, where both groups showed higher BAG values than healthy controls, suggesting accelerated brain aging. Finally, a graphical user interface was created to support individual-level application of the model. This work provides a robust and reproducible framework for studying brain aging and opens the door to future multimodal and longitudinal extensions. [cat] El cervell humà experimenta canvis estructurals progressius al llarg de la vida que es poden quantificar mitjançant neuroimatge. En aquest context, la predicció de l’edat cerebral ha emergit com un enfocament útil per estimar l’edat biològica a partir de dades d’imatge per ressonància magnètica (RM). Així, el Brain Age Gap (BAG), definit com la diferència entre l’edat cerebral estimada pel model i l’edat cronològica, s’ha proposat com un biomarcador exploratori de la salut cerebral. Aquest estudi se centra en el desenvolupament i la validació d’un pipeline d’aprenentatge automàtic per a l’estimació de l’edat cerebral mitjançant característiques morfomètriques extretes de RM ponderada en T1. Es va recopilar un conjunt de dades multicèntric de 2.163 individus sans d’entre 55 i 85 anys, procedents de diferents fonts, que es va harmonitzar i utilitzar per entrenar diversos models de regressió. D’entre els enfocaments analitzats, la Support Vector Regression (SVR) va mostrar el millor equilibri entre precisió i generalització, assolint un error absolut mitjà de 3,08 anys. Per millorar la interpretabilitat i reduir el biaix relacionat amb l’edat, es va aplicar un ajust basat en Locally Weighted Scatterplot Smoothing (LOWESS) als valors predits. Això va permetre calcular un BAG corregit. Les característiques més informatives van ser principalment mesures estructurals globals, incloent-hi els volums de líquid cefaloraquidi, ventricles i estructures subcorticals. El model final també es va avaluar en cohorts clíniques amb pacients amb diagnòstic d’esquizofrènia i malaltia d’Alzheimer, on ambdós grups van mostrar valors de BAG més alts que els controls sans, suggerint un envelliment cerebral accelerat. Finalment, es va crear una interfície gràfica d’usuari per facilitar l’aplicació del model a nivell individual. Aquest treball proporciona un marc robust i reproduïble per a l’estudi de l’envelliment cerebral i obre la porta a futures extensions multimodals i longitudinals.
  • Thumbnail Image
    logoOpenAccessBachelor thesis
    Functional connectivity changes in children with epilepsy at diagnosis and follow-up
    (2026-06-10) Cantudo Oviedo, Júlia; Muchart López, Jordi; Rodríguez Fornells, Antoni
    [eng] Epilepsy is a common neurological disorder currently conceived as an alteration of brain networks. This project longitudinally analyzes these functional networks using resting-state functional magnetic resonance imaging (rs-fMRI) in a cohort of 55 pediatric patients, contrasting findings with a revious preliminar study[103]. The research evaluates functional connectivity evolution from initial diagnosis to clinical follow-up, comparing four etiological subtypes: focal structural, focal genetic idiopathic, generalized idiopathic, and of unknown etiology. The methodology involved systematic processing of anatomical and rs-fMRI images using the specialized CONN toolbox. The analytical strategy comprised three complementary levels: Independent Component Analysis (ICA) for network identification, seed-to-voxel spatial analysis to map whole-brain connectivity distribution, and a ROI-to-ROI study to quantify global interaction matrices and network architecture. The results successfully isolated and validated the topology of 8 resting-state neural networks. In comparing focal structural and idiopathic epilepsy, early alterations emerged mainly in the default mode (DMN), salience, and dorsal attention networks, evolving temporally toward language circuits. Conversely, generalized idiopathic epilepsy concentrated its differences almost exclusively in the DMN, showing a longitudinal spatial redistribution from posterior zones toward anterior medial regions. Furthermore, ROI matrices revealed that idiopathic variants exhibit greater network integration, contrasted with the more segregated and fragmented patterns of structural epilepsy. In conclusion, this work evidences that the underlying etiology of epilepsy leaves a specific functional footprint that macrostructurally reorganizes over time. These results reaffirm the robustness of longitudinal rs-fMRI, consolidating its utility and supporting brain connectivity as a promising biomarker in precision neuropediatrics. [cat] L'epilèpsia és un trastorn neurològic comú que actualment es concep com una alteració de les xarxes cerebrals. Aquest projecte analitza longitudinalment aquestes xarxes funcionals mitjançant ressonància magnètica nuclear funcional en estat de repòs (rs-fMRI) en una cohort de 55 pacients pediàtrics, contrastant els resultats amb un estudi preliminar previ[103]. La recerca avalua l'evolució de la connectivitat funcional des del diagnòstic inicial fins al seguiment clínic, comparant quatre subtipus etiològics: focal estructural, focal genètic idiopàtic, generalitzat idiopàtic i d'etiologia desconeguda. La metodologia va incloure el processament sistemàtic d'imatges anatòmiques i de rs-fMRI utilitzant l'entorn especialitzat CONN toolbox. L'estratègia analítica va comprendre tres nivells complementaris: l'Anàlisi de Components Independents (ICA) per a la identificació de xarxes, l'anàlisi espacial de llavor a vòxel (seed-to-voxel) per mapejar la distribució de la connectivitat a nivell de tot el cervell, i un estudi de ROI a ROI per quantificar les matrius d'interacció global i l'arquitectura de les xarxes. Els resultats van aïllar i validar amb èxit la topologia de 8 xarxes neuronals en estat de repòs. En comparar l'epilèpsia focal estructural i la idiopàtica, van sorgir alteracions primerenques principalment en la xarxa de mode predeterminat (DMN), la xarxa de rellevància (salience) i la xarxa d'atenció dorsal, evolucionant temporalment cap a circuits de la xarxa del llenguatge. Per contra, l'epilèpsia idiopàtica generalitzada va concentrar les seves diferències gairebé exclusivament en la DMN, mostrant una redistribució espacial longitudinal des de les zones posteriors cap a les regions medials anteriors. De la mateixa manera, les matrius de ROI van revelar que les variants idiopàtiques tendeixen a mostrar una major integració en les seves xarxes, en contrast amb els patrons molt més segregats i fragmentats de l'epilèpsia de base estructural. En conclusió, aquest treball evidencia que l'etiologia subjacent de l'epilèpsia deixa una petjada funcional específica que es reorganitza macroestructuralment al llarg del temps. Aquests resultats reafirmen la robustesa dels estudis longitudinals de rs-fMRI, consolidant la seva utilitat i recolzant la connectivitat cerebral com un biomarcador prometedor en neuropediatria de precisió.
  • Thumbnail Image
    logoOpenAccessBachelor thesis
    Automatic Segmentation of Renal Tumors in CT using Deep Learning Networks
    (2026-01-19) Coll Pérez, Lluna; Niñerola Baizán, Aida; Farré Melero, Arnau
    [eng] This project presents the development of an automated pipeline for renal tumor segmentation in Computed Tomography (CT) scans using deep learning networks. The primary objective is to optimize diagnostic workflows and enable the extraction of quantitative biomarkers to support personalized oncological treatment. Three architectures were evaluated and compared: 2D U-Net, 2D Attention U-Net, and the self configuring 3D nnU-Net framework, utilizing an internal dataset of 169 patients, each with a CT scan containing between one and four contrast phases. The methodology involves a preprocessing and a postprocessing stage, which integrates organ exclusion masks generated by a pre-trained model and Largest Connected Component (LCC) analysis. The results demonstrate a better performance of the 3D nnU-Net model in morphological delimitation, particularly in the nephrographic phase, achieving higher accuracy compared to 2D approaches. The best model achieved a mean DICE score of 0.7 on the test set. Performance analysis indicates that while the model offers good results in medium and large-sized tumors, small lesions remain a significant diagnostic challenge. The system’s robustness was assessed through external validation using a publicy available dataset, showing room for improvement in terms of generalization. Finally, a radiomics study identified 55 stable features between manual and automated segmentations. To sum up, a full pipeline of automatic segmentation and feature extraction was developed, showing potential as a foundation for further applications to facilitate non-invasive assessment and precision medicine in renal cancer. [cat] Aquest projecte presenta el desenvolupament d’un flux de treball (pipeline) automatitzat per a la segmentació de tumors renals en escàners de tomografia computada (TC) mitjançant xarxes d’aprenentatge profund (deep learning). L’objectiu principal és optimitzar els fluxos de treball diagnòstics i permetre l’extracció de biomarcadors quantitatius per donar suport a un tractament oncològic personalitzat. Es van avaluar i comparar tres arquitectures: 2D U-Net, 2D Attention U-Net i el marc 3D nnU-Net auto configurable, utilitzant un conjunt de dades intern de 169 pacients, cadascun amb un escàner de TC que contenia entre una i quatre fases amb contrast. La metodologia inclou una fase de preprocessament i una fase de postprocessat, que integra màscares d’exclusió d’òrgans generades per un model preentrenat i l’anàlisi del component connectat més gran (LCC, Largest Connected Component). Els resultats demostren un millor rendiment del model 3D nnU-Net en la delimitació morfològica, especialment en la fase nefrogràfica, aconseguint una major precisió en comparació amb els enfocaments 2D. El millor model va assolir una puntuació DICE mitjana de 0.7 en el conjunt de prova. L’anàlisi del rendiment indica que, tot i que el model ofereix bons resultats en tumors de mida mitjana i gran, les lesions petites continuen representant un repte diagnòstic important. La robustesa del sistema es va avaluar mitjançant validació externa amb un conjunt de dades públicament disponible, mostrant que hi ha marge de millora en termes de generalització. Finalment, un estudi de radiòmica va identificar 55 característiques estables entre les segmentacions manuals i automatitzades. En resum, es va desenvolupar un flux de treball complet de segmentació automàtica i extracció de característiques, mostrant potencial com a base per a futures aplicacions que facilitin l’avaluació no invasiva i la medicina de precisió en el càncer renal.
  • Thumbnail Image
    logoOpenAccessBachelor thesis
    Application of Radiomics and Machine Learning for Differentiating Lipomas and Atypical Lipomatous Tumors Using MRI
    (2026-01-19) Lluch Callís, Sofía; Colomer Farrons, Jordi; Munuera, Josep; Borrego Escobar, Lucia
    [eng] This study presents a radiomics workflow based on T1-weighted MRI to differentiate lipomas from atypical lipomatous tumors in a retrospective cohort of 57 patients from Hospital de la Santa Creu i Sant Pau. The pipeline combined manual 3D segmentation, standardized preprocessing, extraction of 107 features using PyRadiomics, and statistical variable selection. Machine learning models trained with these features, specifically Support Vector Machines and Random Forests, achieved competitive performance consistent with the literature. The results relied on shape, volume, and texture descriptors, while basic clinical variables provided limited additional information. Despite these indications of technical feasibility and potential clinical value, the small sample size, lack of external validation, heterogeneity of imaging protocols, and absence of reproducibility and harmonization studies place the work at an intermediate level of methodological maturity (RQS2 ≈ 35%). Therefore, multicenter and prospective expansion is required prior to any potential translation into clinical practice. [cat] Aquest estudi presenta un flux de treball de radiòmica basat en RM ponderada en T1 per diferenciar lipomes de tumors lipomatosos atípics en una cohort retrospectiva de 57 pacients de l’Hospital de la Santa Creu i Sant Pau. El pipeline combina segmentació manual 3D, preprocesament estandarditzat, extracció de 107 característiques amb PyRadiomics i selecció estadística de variables. Els models d’aprenentatge automàtic entrenats amb aquestes característiques, específicament Support Vector Machines i Random Forests, van assolir un rendiment competitiu consistent amb la literatura. Els resultats es basaven en descriptors de forma, volum i textura, mentre que les variables clíniques bàsiques aportaven poca informació addicional. Tot i aquestes indicacions de factibilitat tècnica i potencial valor clínic, la mida reduïda de la mostra, l’absència de validació externa, l’heterogeneïtat dels protocols d’imatge i la manca d’estudis de reproductibilitat i harmonització situen el treball en un nivell intermedi de maduresa metodològica (RQS2 ≈ 35%). Per tant, és necessària una expansió multicèntrica i prospectiva abans de qualsevol possible traducció a la pràctica clínica.
  • Thumbnail Image
    logoOpenAccessBachelor thesis
    Evaluation of the Temporal Dynamics of Deceleration Zones During S3-ILAM Guided Ventricular Tachycardia Ablation
    (2026-06-10) Carlón Soliguer, Laia; Regany Closa, Mariona; Bhagirath, Pranav; Roca Luque, Ivo
    [eng] Ventricular tachycardia (VT) is a life-threatening arrhythmia that arises in scarred hearts, typically after a myocardial infarction. When medication fails, catheter ablation, a procedure that destroys the small tissue regions sustaining the arrhythmia, is the treatment of choice. To locate these regions without inducing arrhythmia, operators map the scarred tissue during normal rhythm, identifying areas of slow conduction known as deceleration zones (DZs). A limitation of conventional mapping protocols is that new or shifted DZs frequently appear after the first ablation, forcing repeated mapping cycles that prolong the procedure and complicate endpoint definition. The S3 protocol addresses this by applying two consecutive premature stimuli to expose conduction properties not visible with standard pacing (S1). This study prospectively evaluated 45 VT ablation procedures in 43 patients at Hospital Clínic de Barcelona, systematically tracking DZ behavior across sequential maps. DZs were classified as abolished, persistent, migrated, or newly emerged after each ablation set. Only 5.8% of DZs were dynamic after the first ablation, compared to 20% reported with conventional protocols. Complete DZ abolition was achieved in 93.3% of procedures. These results suggest that S3 pacing provides a stable and comprehensive baseline substrate map, reducing reliance on iterative remapping and supporting DZ abolition as a reproducible procedural endpoint. [cat] La taquicàrdia ventricular (TV) és una arítmia greu que sovint apareix en pacients amb una cicatriu al cor, generalment després d'un infart. Quan els fàrmacs no són suficients, l'ablació per catèter és el tractament de referència: un procediment que destrueix les petites zones de teixit que sostenen l'arítmia. Com que molts pacients no toleren que se'ls indueixi la TV durant la intervenció, els operadors exploren el teixit cicatricial en ritme normal per identificar les regions susceptibles de mantenir-la. Aquestes regions, conegudes com a zones de desacceleració (ZD), són la diana terapèutica. Un problema habitual és que, després de les primeres lesions, algunes ZD es desplacen o en apareixen de noves, de manera que cal tornar a mapar la cambra diverses vegades. Això allarga el procediment i fa difícil saber quan el substrat ha estat tractat de manera completa. El protocol S3 va ser dissenyat per revelar aquest substrat de forma més exhaustiva des del primer mapa. En lloc d'un sol estímul de drive, n'aplica dos de prematurs consecutius, activant propietats de conducció que d'altra manera no es farien visibles. Aquest treball ha avaluat de manera prospectiva 45 procediments d'ablació en 43 pacients de l'Hospital Clínic de Barcelona, classificant el comportament de cada ZD al llarg dels mapes seqüencials. Els resultats mostren que només el 5,8% de les ZD van ser dinàmiques, sota del 20% descrit amb protocols convencionals, i que l'abolició completa es va assolir en el 93,3% dels casos. Això dona suport al protocol S3 com un marc de mapatge estable i reproduïble.
  • Thumbnail Image
    logoOpenAccessBachelor thesis
    User-centered integrated redesign of the Electrophysiology Room at the Sant Joan de Déu Pediatric Hospital
    (2025-06-11) Torres Expósito, Clàudia; Jordi Colomer i Farrarons
    This project presents a comprehensive redesign proposal for the Electrophysiology Room at the Arrhythmia Unit of Sant Joan de Déu Children’s Hospital (HSJD). The objective is to resolve existing structural and functional inefficiencies through a needs-driven, paediatric-adapted design. The approach follows the Biodesign methodology, progressing from the identification of needs to the proposal of solutions. The first phase involved shadowing procedures, interviews with clinicians and nurses, detailed questionnaires and benchmarking visits to six Spanish hospitals. This led to the collection and classification of over 40 needs across four categories: infrastructure, equipment, patient experience, and staff comfort. Each need was prioritised (must-have, nice to have, or not needed) based on CSUR standards, clinical workflows, and national recommendations.These needs were translated into a set of finalessential and recommended technical requirements. For each, a tailored solution was proposed, integrating real-world observations and commercially available technologies. The proposal includes ceiling-mounted storage and power systems, improved lighting and temperature control, and better ergonomic conditions. All solutions were compiled into a full list of recommended equipment and illustrated in a conceptual layout plan.The project concludes that while technical design is key, subjectivity plays a major role in shaping what each team considers "ideal." Hence, the "perfect" EP room is not a universal standard but a dynamic solution that must respond to the unique needs of a clinical team at a specific point in time.