Deep Learning Techniques for Thoracic Medical Imaging Analysis and Processing

• Autores: Daniel Iglesias Morís
• Directores de la Tesis: Jorge Novo Buján (dir. tes.) , Marcos Ortega Hortas (codir. tes.)
• Lectura: En la Universidade da Coruña ( España ) en 2025
• Idioma: inglés
• Número de páginas: 208
• Tribunal Calificador de la Tesis: C. I. Sánchez Gutiérrez (presid.) , Lucía Ramos (secret.) , Jónathan Heras Vicente (voc.)
• Enlaces
  • Tesis en acceso abierto en: RUC
• Resumen
  • español

    Las técnicas de imagen médica representan una parte importante de la práctica cínica actual en el contexto de múltiples tareas, siendo el diagnóstico y el pronóstico de patologías dos de ellas. Como referencia, el daño causado por patologías pulmonares se puede explorar a menudo con la ayuda de radiografía torácica, ya que permite explorar las regiones afectadas (los pulmonares y los tejidos adyacentes).

    Para ese fin, las técnicas automáticas de análisis de imagen han evolucionado hasta el punto de ser consideradas como imprescindibles para el diagnóstico preventivo y el tratamiento de múltiples patologías. En este contexto, los algoritmos de deep learning representan una forma muy potente de afrontar dichos problemas, tal y como han demostrado en los últimos años. Sin embargo, los modelos de deep learning requieren de enormes cantidades de datos para poder ser entrenados, un aspecto que escasea con frecuencia en los dominios de imagen biomédica. Esto es especialmente cierto en aquellos contextos donde es preciso construir grandes conjuntos de datos etiquetados manualmente.

    El objetivo global de la tesis que aquí se presenta es el de explorar aproximaciones innovadoras para analizar imágenes médicas de forma automática, especialmente en lo que se refiere al dominio de las imágenes de radiología torácica. El foco importante de esta tesis es el desarrollo de aproximaciones de deep learning que puedan ser entrenadas sin la necesidad de grandes conjuntos de datos anotados manualmente. Con este propósito, hemos propuesto metodologías que adaptan el uso de arquitecturas de redes generativas antagónicas y modelos de difusión latente para la mejora del rendimiento de los modelos de deep learning por medio de la generación de imágenes sintéticas como estrategia de aumento de datos. A mayores, también se han analizado biomarcadores biológicos a partir de datos clínicos y se han estudiado estructuras relevantes y/o características a partir de imágenes de radiografía torácica para diagnóstico y pronóstico patológicos. En este último caso, la intención de los algoritmos es reducir la dimensionalidad del problema a la vez que ayudan a generar conocimiento en el contexto de una patología estudiada

  • English

    Medical imaging outstands as an important part of the current clinical practice for many tasks, being pathological diagnosis and prognosis two of them. For instance, the damage caused by pulmonary pathologies is often visualized by the means of chest X-ray imaging, as it allows to explore the affected regions (the lungs and surrounding tissues). To that end, automatic image analysis techniques have evolved to the point where they are now considered essential for achieving a proper early diagnosis and treatment of many diseases. In this context, deep learning algorithms represent a great way to approach such problems, as it has been demonstrated in the last years. Nevertheless, the deep learning models require great amounts of data that are usually scarce in biomedical imaging domains. This is specially true in contexts where it is necessary to build large manually annotated datasets.

    The global objective of the presented thesis is to explore innovative approaches to automatically analyze medical images, specially chest X-ray imaging. The important focus of the thesis is to develop novel deep learning approaches that can be trained without the necessity of great annotated datasets. For such purpose, we have proposed methodologies that adapt the use of generative adversarial network architectures and latent diffusion models to improve the performance of the deep learning models by the means of synthetic image generation for data augmentation. Furthermore, we have also analyzed relevant biological biomarkers from clinical data and studied relevant structures and/or features that can be extracted from chest X-ray imaging for pathological diagnosis and prognosis. In this latter case, the algorithms aim to reduce the dimensionality of the problem while helping to generate knowledge in the context of a studied pathology.

  • galego

    As técnicas de imaxe médica representan unha parte importante da práctica clínicas actual no contexto de múltiples tarefas, sendo a diagnose e o pronóstico de patoloxías dúas delas. Como referencia, o dano causado por patoloxías pulmonares pódese explorar a menudo coa axuda de radiografía torácica, xa que permite explorar as rexións afectadas (os pulmóns e os texidos adxacentes). Con esa finalidade, as técnicas automáticas de análise de imaxe evolucionaron ata o punto no que poden ser consideradas como imprescindibles para a diagnose preventiva e o tratamento de múltiples patoloxías. Neste contexto, os algoritmos de deep learning representan unha forma moi potente de afrontar eses problemas, tal e como se ten demostrado nos últimos anos. Sen embargo, os modelos de deep learning requiren de enormes cantidades de datos para poder ser adestrados, un aspecto que escasea con frecuencia nos dominios de imaxe biomédica. Isto é especialmente certo naqueles contextos onde é preciso construir grandes conxuntos de datos etiquetados manualmente.

    O obxectivo global da tese que aquí se ven a presentar é o de explorar aproximacións innovadoras para analizar imaxes médicas de forma automática, especialmente no que se refire ao dominio das imaxes de radiografía torácica. O foco importante desta tese é o desarrollo de aproximaciones de deep learning que poden ser entrenadas sen a necesidad de grandes conxuntos de datos anotados manualmente.

    Con este propósito, propuxemos metodoloxías que adaptan o uso de arquitecturas de redes xerativas antagónicas e modelos de difusión latente para a mellora do rendemento de modelos de deep learning por medio da xeración de imaxes sintéticas como estratexia de aumento de datos. A maiores, tamén se analizaron biomarcadores biolóxicos a partir de datos clínicos e se estudaron estructuras relevantes e/ou características a partir de imaxes de radiografía torácica para o diagnóstico e pronóstico patolóxicos. Neste derradeiro caso, a intención dos algoritmos é reducir a dimensionalidade do problema á vez que axudan a xerar coñecemento no contexto dunha patoloxía estudada.