Deep Learning-based Solutions to Improve Diagnosis in Wireless Capsule Endoscopy

Programa de Doctorat en Matemàtiques i Informàtica

Detalles Bibliográficos
Autor: Laiz Treceño, Pablo
Tipo de recurso: tesis doctoral
Estado:Versión publicada
Fecha de publicación:2023
País:España
Institución:CBUC, CESCA
Repositorio:TDR. Tesis Doctorales en Red
OAI Identifier:oai:www.tdx.cat:10803/689812
Acceso en línea:http://hdl.handle.net/10803/689812
Access Level:acceso abierto
Palabra clave:Aprenentatge automàtic
Aprendizaje automático
Machine learning
Endoscòpia
Endoscopia
Endoscopy
Càpsula endoscòpica
Cápsula endoscópica
Capsule endoscopy
Sistemes de comunicació sense fil
Sistemas de comunicación inalámbricos
Wireless communication systems
Diagnòstic
Diagnóstico
Diagnosis
Ciències Experimentals i Matemàtiques
004
id ES_4e9a13a20205a3edde3b3b6922f5cc1f
oai_identifier_str oai:www.tdx.cat:10803/689812
network_acronym_str ES
network_name_str España
repository_id_str
dc.title.none.fl_str_mv Deep Learning-based Solutions to Improve Diagnosis in Wireless Capsule Endoscopy
title Deep Learning-based Solutions to Improve Diagnosis in Wireless Capsule Endoscopy
spellingShingle Deep Learning-based Solutions to Improve Diagnosis in Wireless Capsule Endoscopy
Laiz Treceño, Pablo
Aprenentatge automàtic
Aprendizaje automático
Machine learning
Endoscòpia
Endoscopia
Endoscopy
Càpsula endoscòpica
Cápsula endoscópica
Capsule endoscopy
Sistemes de comunicació sense fil
Sistemas de comunicación inalámbricos
Wireless communication systems
Diagnòstic
Diagnóstico
Diagnosis
Ciències Experimentals i Matemàtiques
004
title_short Deep Learning-based Solutions to Improve Diagnosis in Wireless Capsule Endoscopy
title_full Deep Learning-based Solutions to Improve Diagnosis in Wireless Capsule Endoscopy
title_fullStr Deep Learning-based Solutions to Improve Diagnosis in Wireless Capsule Endoscopy
title_full_unstemmed Deep Learning-based Solutions to Improve Diagnosis in Wireless Capsule Endoscopy
title_sort Deep Learning-based Solutions to Improve Diagnosis in Wireless Capsule Endoscopy
dc.creator.none.fl_str_mv Laiz Treceño, Pablo
author Laiz Treceño, Pablo
author_facet Laiz Treceño, Pablo
author_role author
dc.contributor.none.fl_str_mv Seguí Mesquida, Santi
Vitrià i Marca, Jordi
Seguí Mesquida, Santi
Universitat de Barcelona. Facultat de Matemàtiques
dc.subject.none.fl_str_mv Aprenentatge automàtic
Aprendizaje automático
Machine learning
Endoscòpia
Endoscopia
Endoscopy
Càpsula endoscòpica
Cápsula endoscópica
Capsule endoscopy
Sistemes de comunicació sense fil
Sistemas de comunicación inalámbricos
Wireless communication systems
Diagnòstic
Diagnóstico
Diagnosis
Ciències Experimentals i Matemàtiques
004
topic Aprenentatge automàtic
Aprendizaje automático
Machine learning
Endoscòpia
Endoscopia
Endoscopy
Càpsula endoscòpica
Cápsula endoscópica
Capsule endoscopy
Sistemes de comunicació sense fil
Sistemas de comunicación inalámbricos
Wireless communication systems
Diagnòstic
Diagnóstico
Diagnosis
Ciències Experimentals i Matemàtiques
004
description Programa de Doctorat en Matemàtiques i Informàtica
publishDate 2023
dc.date.none.fl_str_mv 2023
2024
2024
dc.type.none.fl_str_mv info:eu-repo/semantics/doctoralThesis
info:eu-repo/semantics/publishedVersion
format doctoralThesis
status_str publishedVersion
dc.identifier.none.fl_str_mv http://hdl.handle.net/10803/689812
url http://hdl.handle.net/10803/689812
dc.language.none.fl_str_mv Inglés
language_invalid_str_mv Inglés
dc.rights.none.fl_str_mv http://creativecommons.org/licenses/by/4.0/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by/4.0/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 246 p.
application/pdf
dc.publisher.none.fl_str_mv Universitat de Barcelona
publisher.none.fl_str_mv Universitat de Barcelona
dc.source.none.fl_str_mv TDX (Tesis Doctorals en Xarxa)
reponame:TDR. Tesis Doctorales en Red
instname:CBUC, CESCA
instname_str CBUC, CESCA
reponame_str TDR. Tesis Doctorales en Red
collection TDR. Tesis Doctorales en Red
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869407766967222272
spelling Deep Learning-based Solutions to Improve Diagnosis in Wireless Capsule EndoscopyLaiz Treceño, PabloAprenentatge automàticAprendizaje automáticoMachine learningEndoscòpiaEndoscopiaEndoscopyCàpsula endoscòpicaCápsula endoscópicaCapsule endoscopySistemes de comunicació sense filSistemas de comunicación inalámbricosWireless communication systemsDiagnòsticDiagnósticoDiagnosisCiències Experimentals i Matemàtiques004Programa de Doctorat en Matemàtiques i Informàtica[eng] Deep Learning (DL) models have gained extensive attention due to their remarkable performance in a wide range of real-world applications, particularly in computer vision. This achievement, combined with the increase in available medical records, has made it possible to open up new opportunities for analyzing and interpreting healthcare data. This symbiotic relationship can enhance the diagnostic process by identifying abnormalities, patterns, and trends, resulting in more precise, personalized, and effective healthcare for patients. Wireless Capsule Endoscopy (WCE) is a non-invasive medical imaging technique used to visualize the entire Gastrointestinal (GI) tract. Up to this moment, physicians meticulously review the captured frames to identify pathologies and diagnose patients. This manual process is time- consuming and prone to errors due to the challenges of interpreting the complex nature of WCE procedures. Thus, it demands a high level of attention, expertise, and experience. To overcome these drawbacks, shorten the screening process, and improve the diagnosis, efficient and accurate DL methods are required. This thesis proposes DL solutions to the following problems encountered in the analysis of WCE studies: pathology detection, anatomical landmark identification, and Out-of-Distribution (OOD) sample handling. These solutions aim to achieve robust systems that minimize the duration of the video analysis and reduce the number of undetected lesions. Throughout their development, several DL drawbacks have appeared, including small and imbalanced datasets. These limitations have also been addressed, ensuring that they do not hinder the generalization of neural networks, leading to suboptimal performance and overfitting. To address the previous WCE problems and overcome the DL challenges, the proposed systems adopt various strategies that utilize the power advantage of Triplet Loss (TL) and Self-Supervised Learning (SSL) techniques. Mainly, TL has been used to improve the generalization of the models, while SSL methods have been employed to leverage the unlabeled data to obtain useful representations. The presented methods achieve State-of-the-art results in the aforementioned medical problems and contribute to the ongoing research to improve the diagnostic of WCE studies.[cat] Els models d’aprenentatge profund (AP) han acaparat molta atenció a causa del seu rendiment en una àmplia gamma d'aplicacions del món real, especialment en visió per ordinador. Aquest fet, combinat amb l'increment de registres mèdics disponibles, ha permès obrir noves oportunitats per analitzar i interpretar les dades sanitàries. Aquesta relació simbiòtica pot millorar el procés de diagnòstic identificant anomalies, patrons i tendències, amb la conseqüent obtenció de diagnòstics sanitaris més precisos, personalitzats i eficients per als pacients. La Capsula endoscòpica (WCE) és una tècnica d'imatge mèdica no invasiva utilitzada per visualitzar tot el tracte gastrointestinal (GI). Fins ara, els metges revisen minuciosament els fotogrames capturats per identificar patologies i diagnosticar pacients. Aquest procés manual requereix temps i és propens a errors. Per tant, exigeix un alt nivell d'atenció, experiència i especialització. Per superar aquests inconvenients, reduir la durada del procés de detecció i millorar el diagnòstic, es requereixen mètodes eficients i precisos d’AP. Aquesta tesi proposa solucions que utilitzen AP per als següents problemes trobats en l'anàlisi dels estudis de WCE: detecció de patologies, identificació de punts de referència anatòmics i gestió de mostres que pertanyen fora del domini. Aquestes solucions tenen com a objectiu aconseguir sistemes robustos que minimitzin la durada de l'anàlisi del vídeo i redueixin el nombre de lesions no detectades. Durant el seu desenvolupament, han sorgit diversos inconvenients relacionats amb l’AP, com ara conjunts de dades petits i desequilibrats. Aquestes limitacions també s'han abordat per assegurar que no obstaculitzin la generalització de les xarxes neuronals, evitant un rendiment subòptim. Per abordar els problemes anteriors de WCE i superar els reptes d’AP, els sistemes proposats adopten diverses estratègies que aprofiten l'avantatge de la Triplet Loss (TL) i les tècniques d’auto-aprenentatge. Principalment, s'ha utilitzat TL per millorar la generalització dels models, mentre que els mètodes d’autoaprenentatge s'han emprat per aprofitar les dades sense etiquetar i obtenir representacions útils. Els mètodes presentats aconsegueixen bons resultats en els problemes mèdics esmentats i contribueixen a la investigació en curs per millorar el diagnòstic dels estudis de WCE.Universitat de BarcelonaSeguí Mesquida, SantiVitrià i Marca, JordiSeguí Mesquida, SantiUniversitat de Barcelona. Facultat de Matemàtiques202420242023info:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/publishedVersion246 p.application/pdfhttp://hdl.handle.net/10803/689812TDX (Tesis Doctorals en Xarxa)reponame:TDR. Tesis Doctorales en Redinstname:CBUC, CESCAInglésL'accés als continguts d'aquesta tesi queda condicionat a l'acceptació de les condicions d'ús establertes per la següent llicència Creative Commons: http://creativecommons.org/licenses/by/4.0/http://creativecommons.org/licenses/by/4.0/info:eu-repo/semantics/openAccessoai:www.tdx.cat:10803/6898122026-06-14T12:46:07Z
score 15.300719

Similares en LA Referencia