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.

Fitxers

TFG_Lluch_Callis_Sofia.pdf (3.28 MB)

Tipus de document

Treball de fi de grau

Data de publicació

2026-01-19

Llicència de publicació

cc-by-nc-nd (c) Lluch Callís, Sofía, 2026
Si us plau utilitzeu sempre aquest identificador per citar o enllaçar aquest document: https://hdl.handle.net/2445/230351

Application of Radiomics and Machine Learning for Differentiating Lipomas and Atypical Lipomatous Tumors Using MRI

Títol de la revista

Autors

Director/Tutor

ISSN de la revista

Títol del volum

Recurs relacionat

Resum

[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.

Descripció

Treballs Finals de Grau d'Enginyeria Biomèdica. Facultat de Medicina i Ciències de la Salut. Universitat de Barcelona. Curs: 2025-2026. Tutor/Director: Jordi Colomer Farrons, Josep Munuera del Cerro i Lucia Borrego Escobar

Matèries

Enginyeria biomèdica, Aprenentatge automàtic, Treballs de fi de grau, Imatges per ressonància magnètica, Tumors

Matèries (anglès)

Biomedical engineering, Machine learning, Bachelor's theses, Magnetic resonance imaging, Tumors

Citació

Col·leccions

Treballs Finals de Grau (TFG) - Enginyeria Biomèdica

Citació

LLUCH CALLÍS, Sofía. Application of Radiomics and Machine Learning for Differentiating Lipomas and Atypical Lipomatous Tumors Using MRI. [consulted: 24 of August of 2026]. Available at: https://hdl.handle.net/2445/230351

Exportar metadades

JSON - METS

Compartir registre