Tipus de document
Treball de fi de grauData de publicació
Llicència de publicació
Si us plau utilitzeu sempre aquest identificador per citar o enllaçar aquest document: https://hdl.handle.net/2445/230353
Automatic Segmentation of Renal Tumors in CT using Deep Learning Networks
Títol de la revista
Autors
Director/Tutor
ISSN de la revista
Títol del volum
Recurs relacionat
Resum
[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.
Descripció
Treballs Finals de Grau d'Enginyeria Biomèdica. Facultat de Medicina i Ciències de la Salut. Universitat de Barcelona. Curs: 2025-2026. Tutor/Director: Aida Niñerola Baizán, Arnau Farré Melero
Matèries (anglès)
Citació
Citació
COLL PÉREZ, Lluna. Automatic Segmentation of Renal Tumors in CT using Deep Learning Networks. [consulted: 24 of August of 2026]. Available at: https://hdl.handle.net/2445/230353