A deep cascaded, biomechanics-driven framework for medical image registration
Aquesta tesi presenta un marc que combina una xarxa neuronal profunda en cascada amb un modelatge biomecànic per millorar el registre d’imatges mèdiques, amb aplicacions en la imatge cerebral perinatal i l’anàlisi de malalties cardiovasculars. Per a la IRM fetal, s’ha desenvolupat un model en cascad...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis doctoral |
| Estado: | Versión publicada |
| Fecha de publicación: | 2025 |
| País: | España |
| Institución: | CBUC, CESCA |
| Repositorio: | TDR. Tesis Doctorales en Red |
| OAI Identifier: | oai:www.tdx.cat:10803/694545 |
| Acceso en línea: | http://hdl.handle.net/10803/694545 |
| Access Level: | acceso embargado |
| Palabra clave: | Deep learning Registre d’imatges mèdiques Biomecànica Cervell perinatal IRM fetal Malalties cardiovasculars Creixement neonatal Segmentació Deformació tissular Neurodesenvolupament Medical image registration Biomechanics Perinatal brain Fetal MRI Cardiovascular diseases Neonatal growth Segmentation Tissue deformation Neurodevelopment 62 |
| Sumario: | Aquesta tesi presenta un marc que combina una xarxa neuronal profunda en cascada amb un modelatge biomecànic per millorar el registre d’imatges mèdiques, amb aplicacions en la imatge cerebral perinatal i l’anàlisi de malalties cardiovasculars. Per a la IRM fetal, s’ha desenvolupat un model en cascada multi-resolució que millora la precisió del registre capturant tant estructures anatòmiques fines com gruixudes, aspecte clau per estudiar les anomalies en el neurodesenvolupament. Aquest model també s’aplica a la segmentació amb múltiples atles, obtenint resultats competitius fins i tot amb dades anotades limitades. El marc s’estén a la imatge cardíaca, incorporant una regularització inspirada en la biomecànica per predir propietats dels teixits i classificar malalties cardiovasculars amb alta precisió. Finalment, s’aplica a l’anàlisi del creixement cerebral neonatal, amb paràmetres biomecànics aprenentables per modelar les deformacions dels teixits i predir tensions, canvis de volum i patrons de creixement anisotròpic. Aquest enfocament millora la precisió del registre i la interpretabilitat, oferint informació valuosa sobre els canvis estructurals i mecànics durant el desenvolupament cerebral normal i anormal. |
|---|