Analyzing the impact of data ablation on Deep Learning and Foundation Models for CT-based lesion segmentation in medical imaging
El càncer continua sent una de les principals causes de mortalitat a escala global, fet que reforça la importància de la detecció precoç per millorar el pronòstic i l’evolució clínica dels pacients. En aquest context, la detecció i segmentació automatitzada de lesions en imatges mèdiques, com ara la...
| Author: | |
|---|---|
| Format: | master thesis |
| Publication Date: | 2025 |
| Country: | España |
| Institution: | Universitat Politècnica de Catalunya (UPC) |
| Repository: | UPCommons. Portal del coneixement obert de la UPC |
| Language: | English |
| OAI Identifier: | oai:upcommons.upc.edu:2117/452212 |
| Online Access: | https://hdl.handle.net/2117/452212 |
| Access Level: | Embargoed access |
| Keyword: | Deep learning Liver--Cancer Tomography Deep Learning Foundation Models nnU-Net U-Net SAM Medical imaging Image segmentation Computed tomography Medical image segmentation Aprenentatge profund Fetge--Càncer Tomografia Àrees temàtiques de la UPC::Informàtica::Intel·ligència artificial::Aprenentatge automàtic |
| Summary: | El càncer continua sent una de les principals causes de mortalitat a escala global, fet que reforça la importància de la detecció precoç per millorar el pronòstic i l’evolució clínica dels pacients. En aquest context, la detecció i segmentació automatitzada de lesions en imatges mèdiques, com ara la tomografia axial computada (TAC), s’ha consolidat com una eina fonamental per optimitzar l’eficiència diagnòstica i el seguiment clínic. Aquest treball analitza i compara el rendiment de models basats en l'aprenentatge profund amb el de models fundacionals, aplicats a la detecció i segmentació de lesions hepàtiques tumorals. En particular, s’analitza com el volum de dades anotades disponibles condiciona el comportament dels models, una qüestió clau en imatge mèdica, on l’accés a grans volums de dades acuradament anotades i de qualitat és sovint limitat. Els resultats obtinguts posen de manifest el potencial dels models fundacionals com a alternatives viables als mètodes d’aprenentatge profund més avançats en segmentació d’imatges mèdiques. A més, l’estudi indica que, en determinades tasques, un increment del volum de dades no comporta necessàriament una millora del rendiment, fet que subratlla la importància d’ajustar la quantitat de dades a les necessitats específiques de cada aplicació. |
|---|