Automatic registration of ophthalmologic images using automatic learning and deep learning

• Autores: David Rivas-Villar
• Directores de la Tesis: Jorge Novo Buján (dir. tes.) , José Rouco Maseda (codir. tes.)
• Lectura: En la Universidade da Coruña ( España ) en 2025
• Idioma: inglés
• Número de páginas: 277
• Tribunal Calificador de la Tesis: Enrique J. Carmona Suárez (presid.) , Noelia Barreira (secret.) , Luis Filipe Pinto de Almeida Teixeira (voc.)
• Enlaces
  • Tesis en acceso abierto en: RUC
• Resumen
  • español

    Las imágenes médicas forman parte integral de la práctica clínica contemporánea y, en concreto, las imágenes de la retina han demostrado ser un método fiable y eficaz para el diagnóstico, el seguimiento y el cribado. El registro de imágenes, es decir, la alineación de imágenes de diferentes vistas o momentos, es de vital importancia, ya que las imágenes médicas alineadas sirven para múltiples fines clínicos. Sin embargo, el registro manual es poco práctico en el día a día de los flujos de trabajo clínicos, por lo que el desarrollo de métodos de registro automatizados es altamente deseable.

    Dado que los métodos de registro dependen del dominio y de la tarea, los enfoques genéricos de registro de imágenes médicas a menudo resultan inadecuados e ineficaces para las imágenes retinianas, ya que no tienen en cuenta los patrones distintivos y otras particularidades características de las imágenes retinianas. Esto motiva la creación de metodologías de registro automatizadas específicas para la retina.

    Esta tesis tiene como objetivo explorar nuevos enfoques para el registro automatizado de imágenes oftalmológicas. El objetivo principal es desarrollar métodos basados en aprendizaje profundo que mejoren los métodos clásicos, actualmente en uso, al ser más flexibles y robustos debido a su entrenamiento basado en datos. Para lograrlo, hemos introducido varias innovaciones metodológicas destinadas a mejorar diferentes pasos del proceso de registro típico, desde la detección hasta la descripción.

    Nuestros esfuerzos culminan en una metodología novedosa que funciona sin supervisión y puede generalizarse a varios dominios, incluyendo aplicaciones médicas y no médicas.

  • English

    Medical imaging is integral to contemporary clinical practice and, specifically, retinal imaging has proven to be a reliable and effective method for diagnosis, monitoring and screening. Image registration, the alignment of images from different views or times, is critically important as aligned medical images serve multiple clinical purposes.

    However, manual registration is impractical in day-to-day clinical workflows, thus, the development of automated registration methods is highly desirable. Since registration methods are domain- and task-dependent, generic medical image registration approaches often prove inadequate and ineffective for retinal images as they fail to account for the distinctive patterns and other particularities characteristic of retinal images. This motivates the creation of automated retina-specific registration methodologies.

    This thesis aims to explore novel approaches for the automated registration of ophthalmological images. The primary focus is developing deep learning-based methods that improve upon classical pipelines, currently in use, by being more flexible and robust due to their data-driven training. To achieve this, we have introduced several methodological innovations aimed at enhancing different steps of the typical registration process, from detection to description. Our efforts culminate in a novel methodology that operates without supervision and can be generalized across various domains, including both medical and non-medical applications.

  • galego

    A imaxe médica é integral para práctica clínica contemporánea e, especificamente, a imaxe de retina demostrou ser un método fiable e efectivo para o diagnóstico, é dicir, o seguimento e o cribado. O rexistro de imaxe, o aliñamento de imaxes capturadas dende diferentes puntos de vista ou momentos temporais, é crucial xa que as imaxes aliñadas serven múltiples propósitos clínicos. Porén, o rexistro manual de imaxes non é práctico nos fluxos de traballo clínico cotián de forma que, o desenvolvemento de métodos de rexistro automáticos é altamente desexable. Dado que os métodos de rexistro dependen do dominio e da tarefa, os enfoques xenéricos de rexistro de imaxes médicas a miúdo resultan inadecuados e ineficaces para as imaxes retinianas, xa que non teñen en conta os patróns distintivos e outras particularidades características das imaxes retinianas. Isto motiva a creación de metodoloxías de rexistro automatizadas específicas para a retina.

    Esta tese ten como obxectivo explorar novos enfoques para o rexistro automático de imaxes oftalmolóxicas. O obxectivo principal é desenvolver métodos baseados en aprendizaxe profunda que melloren os métodos clásicos, actualmente en uso, ao ser máis flexibles e robustos debido ao seu adestramento baseado en datos. Para logralo, introducimos varias innovacións metodolóxicas destinadas a mellorar diferentes pasos do proceso de rexistro típico, dende a detección ata a descrición. Os nosos esforzos culminan nunha metodoloxía novidosa que funciona sen supervisión e pode xeneralizarse a varios dominios, incluíndo aplicacións médicas e non médicas