Tipus de document
TesiVersió
Versió publicadaData de publicació
Llicència de publicació
Si us plau utilitzeu sempre aquest identificador per citar o enllaçar aquest document: https://hdl.handle.net/2445/228565
Efficient Deep Learning for Medical Imaging: Precision Segmentation and Beyond
Títol de la revista
Autors
Director/Tutor
ISSN de la revista
Títol del volum
Recurs relacionat
Resum
[eng] This thesis advances automated medical image analysis by introducing four deep learning frameworks that systematically address core technical barriers to clinical deployment, including computational efficiency, variability in image quality, and the robust integration of imaging with clinical data. Through a compendium of research articles, we develop state-of-the-art solutions spanning ultrasound and MRI. First, we present an end-to-end framework for carotid intima-media thickness (CIMT) measurement in ultrasound images, achieving state-of-the-art atherosclerotic plaque characterization while delivering a 20x speed improvement (0.79 to 0.04 seconds per image). The system provides comprehensive outputs, including segmentation masks, automated measurements, and binary plaque detection, eliminating domain-specific post-processing requirements. Secondly, leveraging the features extracted by our end-to-end model, we pioneer their integration into clinical survival models, demonstrating that learned imaging biomarkers significantly enhance cardiovascular risk stratification with a 20% improvement in patient risk reclassification beyond traditional clinical variables. Third, we develop a multilevel EfficientNet-UNet++ architecture for 3D carotid vessel wall segmentation in black-blood MRI that achieves state-of-the-art performance through contextual slice concatenation and resolution optimization. The framework demonstrates optimal performance at 256 x 256 input resolution (6x original size) while maintaining computational efficiency through targeted multilevel processing. Finally, we introduce a quality-aware segmentation framework with custom loss functions for explicit quality modeling during training. When applied to ultrasound colon wall segmentation, this approach achieves a 20% improvement on medium-quality images and a 31% improvement on low-quality images, directly addressing ultrasound's fundamental challenge of variable image quality. Collectively, these contributions establish the technical foundations for robust clinical imaging through efficient segmentation architectures, the integration of imaging with clinical data, explicit quality modeling, and comprehensive clinical validation across two medical imaging modalities.
[cat] Aquesta tesi avança l'anàlisi automatitzada d'imatge medica introduint quatre sistemes d'aprenentatge profund que aborden barreres tècniques centrals per a la implementació clínica, incloent l'eficiència computacional, la variabilitat de qualitat i la integració robusta amb dades clíniques. A través d'un compendi d'articles, desenvolupem solucions d'última generació en ultrasons i ressonància magnètica. En primer lloc, presentem un sistema end-to-end per a la mesura del gruix íntima-mitjana carotidi (CIMT) en ultrasons, aconseguint una caracterització de placa d'última generació i millorant la velocitat 20x (de 0,79 a 0,04 s/imatge). El sistema proporciona resultats complets (segmentació, mesures i detecció), eliminant requisits de post-processament específics. En segon lloc, aprofitant característiques del nostre model end-to-end, som pioners en la seva integració en models de supervivència. Demostrem que els biomarcadors d'imatge apresos milloren l'estratificació del risc cardiovascular, augmentant un 20'7', la reclassificació del pacient respecte a les variables clíniques tradicionals. En tercer lloc, desenvolupem una arquitectura EfficientNet-UNet++ multinivell per a la segmentació 3D de la paret carotídia en RM black-blood que aconsegueix un rendiment d'última generació mitjançant concatenació contextual i optimització de resolució. El sistema demostra un rendiment optima resolució 256 x 256 (6x !'original) mantenint l'eficiència via processament multinivell. Finalment, introduïm un sistema de segmentació conscient de la qualitat amb funcions de pèrdua per modelar la qualitat durant l'entrenament. Aplicat a la paret del colon en ultrasons, millora un 20% en imatges de qualitat mitjana i un 31'7%, en baixa, abordant el repte de la qualitat variable. En conjunt, aquestes contribucions estableixen fonaments tècnics per a la imatge clínica robusta mitjançant segmentació eficient, integració de dades, modelat de qualitat i validació clínica en dues modalitats.
[cat] Aquesta tesi avança l'anàlisi automatitzada d'imatge medica introduint quatre sistemes d'aprenentatge profund que aborden barreres tècniques centrals per a la implementació clínica, incloent l'eficiència computacional, la variabilitat de qualitat i la integració robusta amb dades clíniques. A través d'un compendi d'articles, desenvolupem solucions d'última generació en ultrasons i ressonància magnètica. En primer lloc, presentem un sistema end-to-end per a la mesura del gruix íntima-mitjana carotidi (CIMT) en ultrasons, aconseguint una caracterització de placa d'última generació i millorant la velocitat 20x (de 0,79 a 0,04 s/imatge). El sistema proporciona resultats complets (segmentació, mesures i detecció), eliminant requisits de post-processament específics. En segon lloc, aprofitant característiques del nostre model end-to-end, som pioners en la seva integració en models de supervivència. Demostrem que els biomarcadors d'imatge apresos milloren l'estratificació del risc cardiovascular, augmentant un 20'7', la reclassificació del pacient respecte a les variables clíniques tradicionals. En tercer lloc, desenvolupem una arquitectura EfficientNet-UNet++ multinivell per a la segmentació 3D de la paret carotídia en RM black-blood que aconsegueix un rendiment d'última generació mitjançant concatenació contextual i optimització de resolució. El sistema demostra un rendiment optima resolució 256 x 256 (6x !'original) mantenint l'eficiència via processament multinivell. Finalment, introduïm un sistema de segmentació conscient de la qualitat amb funcions de pèrdua per modelar la qualitat durant l'entrenament. Aplicat a la paret del colon en ultrasons, millora un 20% en imatges de qualitat mitjana i un 31'7%, en baixa, abordant el repte de la qualitat variable. En conjunt, aquestes contribucions estableixen fonaments tècnics per a la imatge clínica robusta mitjançant segmentació eficient, integració de dades, modelat de qualitat i validació clínica en dues modalitats.
Matèries (anglès)
Citació
Citació
GAGO, Lucas Martín. Efficient Deep Learning for Medical Imaging: Precision Segmentation and Beyond. [consulted: 23 of May of 2026]. Available at: https://hdl.handle.net/2445/228565