Detecció d’àrees cerebrals alterades en TEA, mitjançant segmentació automatitzada i aprenentatge profund d’imatges MRI

La finalitat d’aquest projecte és detectar diferencies estructurals i patrons anòmals de desenvolupament cerebral en persones dins el trastorn de l’espectre autista (TEA), un trastorn del neurodesenvolupament sense causes específiques conegudes i sense biomarcadors objectius robusts. L’estudi s’abor...

Descripción completa

Detalles Bibliográficos
Autor: Parella Viladrich, Maria Alba
Tipo de recurso: tesis de maestría
Fecha de publicación:2026
País:España
Institución:Universitat Oberta de Catalunya (UOC)
Repositorio:O2, repositorio institucional de la UOC
OAI Identifier:oai:openaccess.uoc.edu:10609/154341
Acceso en línea:https://hdl.handle.net/10609/154341
Access Level:acceso abierto
Palabra clave:Trastorn de l‘Espectre Autista (TEA)
Neuroimatge (MRI)
Aprenentatge Estadístic (Statistical Learning)
Bioinformatics -- TFM
Bioinformàtica -- TFM
id ES_e3832257ac7fe6de38121ae554eb64fc
oai_identifier_str oai:openaccess.uoc.edu:10609/154341
network_acronym_str ES
network_name_str España
repository_id_str
dc.title.none.fl_str_mv Detecció d’àrees cerebrals alterades en TEA, mitjançant segmentació automatitzada i aprenentatge profund d’imatges MRI
title Detecció d’àrees cerebrals alterades en TEA, mitjançant segmentació automatitzada i aprenentatge profund d’imatges MRI
spellingShingle Detecció d’àrees cerebrals alterades en TEA, mitjançant segmentació automatitzada i aprenentatge profund d’imatges MRI
Parella Viladrich, Maria Alba
Trastorn de l‘Espectre Autista (TEA)
Neuroimatge (MRI)
Aprenentatge Estadístic (Statistical Learning)
Bioinformatics -- TFM
Bioinformàtica -- TFM
title_short Detecció d’àrees cerebrals alterades en TEA, mitjançant segmentació automatitzada i aprenentatge profund d’imatges MRI
title_full Detecció d’àrees cerebrals alterades en TEA, mitjançant segmentació automatitzada i aprenentatge profund d’imatges MRI
title_fullStr Detecció d’àrees cerebrals alterades en TEA, mitjançant segmentació automatitzada i aprenentatge profund d’imatges MRI
title_full_unstemmed Detecció d’àrees cerebrals alterades en TEA, mitjançant segmentació automatitzada i aprenentatge profund d’imatges MRI
title_sort Detecció d’àrees cerebrals alterades en TEA, mitjançant segmentació automatitzada i aprenentatge profund d’imatges MRI
dc.creator.none.fl_str_mv Parella Viladrich, Maria Alba
author Parella Viladrich, Maria Alba
author_facet Parella Viladrich, Maria Alba
author_role author
dc.contributor.none.fl_str_mv Frau-Pascual, Aina
Prados Carrasco , Ferran
Pérez-Millan, Agnès
dc.subject.none.fl_str_mv Trastorn de l‘Espectre Autista (TEA)
Neuroimatge (MRI)
Aprenentatge Estadístic (Statistical Learning)
Bioinformatics -- TFM
Bioinformàtica -- TFM
topic Trastorn de l‘Espectre Autista (TEA)
Neuroimatge (MRI)
Aprenentatge Estadístic (Statistical Learning)
Bioinformatics -- TFM
Bioinformàtica -- TFM
description La finalitat d’aquest projecte és detectar diferencies estructurals i patrons anòmals de desenvolupament cerebral en persones dins el trastorn de l’espectre autista (TEA), un trastorn del neurodesenvolupament sense causes específiques conegudes i sense biomarcadors objectius robusts. L’estudi s’aborda des d’una perspectiva neurocientífica amb el doble objectiu d’identificar possibles biomarcadors que puguin esdevenir dianes per a teràpies personalitzades i de desenvolupar un model d’intel·ligència artificial capaç de discriminar entre individus TEA i Control per facilitar el diagnòstic. Per dur a terme l’anàlisi es fan servir imatges de ressonància magnètica (RMI) del projecte ABIDE II. La segmentació de les regions cerebrals s’ha realitzat amb Synthseg, una eina basada en xarxes neuronals convolucionals integrada dins el paquet FreeSurfer. L’anàlisi bioestadística ha permès identificar diferencies entre la connectivitat estructural, el volum i en la maduració de diverses regions cerebrals entre els dos grups. En quant al desenvolupament del model computacional, CatBoost ha estat l’algoritme amb millor rendiment, assolint una precisió superior al 80% en la classificació entre grups. L’anàlisi bioestadística permet suggerir biomarcadors potencials, sense que cap d’ells presenti una diferenciació prou clara i robusta. El model d’aprenentatge automàtic no permet identificar regions específiques com a biomarcadors, ja que el millor rendiment s’obté fent servir totes les regions cerebrals de manera conjunta. Els resultats indiquen que cal augmentar la mostra i aprofundir en l’estudi per millorar la precisió diagnòstica i avançar cap a biomarcadors objectius aplicables en la pràctica clínica.
publishDate 2026
dc.date.none.fl_str_mv 2026
2026
2026
dc.type.none.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.none.fl_str_mv https://hdl.handle.net/10609/154341
url https://hdl.handle.net/10609/154341
dc.language.none.fl_str_mv Catalán
language_invalid_str_mv Catalán
dc.rights.none.fl_str_mv CC BY SA
https://creativecommons.org/licenses/by-sa/4.0/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv CC BY SA
https://creativecommons.org/licenses/by-sa/4.0/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
application/pdf
dc.publisher.none.fl_str_mv Universitat Oberta de Catalunya (UOC)
publisher.none.fl_str_mv Universitat Oberta de Catalunya (UOC)
dc.source.none.fl_str_mv reponame:O2, repositorio institucional de la UOC
instname:Universitat Oberta de Catalunya (UOC)
instname_str Universitat Oberta de Catalunya (UOC)
reponame_str O2, repositorio institucional de la UOC
collection O2, repositorio institucional de la UOC
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869422508188368896
spelling Detecció d’àrees cerebrals alterades en TEA, mitjançant segmentació automatitzada i aprenentatge profund d’imatges MRIParella Viladrich, Maria AlbaTrastorn de l‘Espectre Autista (TEA)Neuroimatge (MRI)Aprenentatge Estadístic (Statistical Learning)Bioinformatics -- TFMBioinformàtica -- TFMLa finalitat d’aquest projecte és detectar diferencies estructurals i patrons anòmals de desenvolupament cerebral en persones dins el trastorn de l’espectre autista (TEA), un trastorn del neurodesenvolupament sense causes específiques conegudes i sense biomarcadors objectius robusts. L’estudi s’aborda des d’una perspectiva neurocientífica amb el doble objectiu d’identificar possibles biomarcadors que puguin esdevenir dianes per a teràpies personalitzades i de desenvolupar un model d’intel·ligència artificial capaç de discriminar entre individus TEA i Control per facilitar el diagnòstic. Per dur a terme l’anàlisi es fan servir imatges de ressonància magnètica (RMI) del projecte ABIDE II. La segmentació de les regions cerebrals s’ha realitzat amb Synthseg, una eina basada en xarxes neuronals convolucionals integrada dins el paquet FreeSurfer. L’anàlisi bioestadística ha permès identificar diferencies entre la connectivitat estructural, el volum i en la maduració de diverses regions cerebrals entre els dos grups. En quant al desenvolupament del model computacional, CatBoost ha estat l’algoritme amb millor rendiment, assolint una precisió superior al 80% en la classificació entre grups. L’anàlisi bioestadística permet suggerir biomarcadors potencials, sense que cap d’ells presenti una diferenciació prou clara i robusta. El model d’aprenentatge automàtic no permet identificar regions específiques com a biomarcadors, ja que el millor rendiment s’obté fent servir totes les regions cerebrals de manera conjunta. Els resultats indiquen que cal augmentar la mostra i aprofundir en l’estudi per millorar la precisió diagnòstica i avançar cap a biomarcadors objectius aplicables en la pràctica clínica.The main objective of this project is to detect structural differences and atypical patterns of brain development in individuals with autism spectrum disorder (ASD), a neurodevelopmental condition with unknown specific causes and without robust objective biomarkers. The study adopts a neuroscientific perspective with two main objectives: to identify potential biomarkers that could serve as targets for personalized therapies, and to develop an artificial intelligence model capable of discriminating between ASD and Control groups to support diagnostic processes. For this analysis, magnetic resonance imaging (MRI) data from the ABIDE II project were used. Brain region segmentation was performed with SynthSeg, a convolutional neural network–based tool integrated within the FreeSurfer software package. The biostatistical analysis revealed differences between groups, in structural connectivity, regional brain volumes and developmental trajectories. Regarding the development of the computational model, CatBoost provided the best performance, reaching an accuracy above 80% in classifying individuals into ASD or Control groups. Although the statistical analysis suggests several potential biomarkers, none of them provides sufficiently clear or robust differentiation. Similarly, the machine learning model does not identify specific regions as biomarkers, since its best performance is obtained when all brain regions are used together. Overall, the results indicate the need to increase sample size and deepen the analysis in order to improve diagnostic precision and advance toward objective biomarkers applicable in clinical practice.Universitat Oberta de Catalunya (UOC)Frau-Pascual, AinaPrados Carrasco , Ferran Pérez-Millan, Agnès202620262026info:eu-repo/semantics/masterThesisapplication/pdfapplication/pdfhttps://hdl.handle.net/10609/154341reponame:O2, repositorio institucional de la UOCinstname:Universitat Oberta de Catalunya (UOC)CatalánCC BY SAhttps://creativecommons.org/licenses/by-sa/4.0/info:eu-repo/semantics/openAccessoai:openaccess.uoc.edu:10609/1543412026-05-28T12:42:01Z
score 15.812429

Similares en LA Referencia