Exploring training strategies and model architectures for domain adaptation in prostate cancer MRI

Simple item page
dc.catalogadorpva
dc.contributor.advisorParra Santander, Denis
dc.contributor.authorFacuse Pérez, Jorge Ignacio
dc.contributor.otherPontificia Universidad Católica de Chile. Escuela de Ingeniería
dc.date.accessioned2025-01-09T13:32:54Z
dc.date.available2025-01-09T13:32:54Z
dc.date.issued2024
dc.descriptionTesis (Master of Science in Engineering)--Pontificia Universidad Católica de Chile, 2024
dc.description.abstractEl diagnóstico médico basado en imágenes y segmentación con métodos de IA a mejorado en los últimos años gracias al Aprendizaje Profundo (AP). Sin embargo, usar modelos de AP en sets de datos pequeños de poblaciones distintas a las del dataset de entrenamiento requiere una gran cantidad de etiquetas, incluso en el caso de ajustar un modelo fundacional pre-entrenado en un dataset grande. El Aprendizaje Auto-supervisado (AAS) y la transferencia de aprendizaje emergen como soluciones para este problema. AAS utiliza datos sin etiquetar para aprender representaciones generalizables, mientras que la transferencia de aprendizaje facilita ajustar modelos a conjuntos de datos con pocas etiquetas. En esta tesis presentamos una estrategia de entrenamiento basada en AAS y transferencia de aprendizaje para entrenar modelos en la tarea de diagnosticar y segmentar cáncer de próstata clínicamente significativo utilizando conjuntos de datos pequeños de Resonancia Magnética (RM) de próstata. La estrategia involucra una etapa de entrenamiento autosupervisado, una etapa de entrenamiento supervisada y una etapa de ajuste al conjunto de datos más pequeño. Los datos de PI-CAI se utilizaron en las primeras etapas y para la etapa final y evaluación se utilizaron dos conjuntos de datos más pequeños: Prostate158 y un conjunto de datos proveniente de Chile llamado ChiPCa. Probamos múltiples variaciones de nuestra estrategia para encontrar la mejor metodología de entrenamiento y arquitectura del modelo para adaptación de dominio en las tareas de detección y segmentación de cancer de próstata en RM. Nuestros resultados en ambos conjuntos de datos validan nuestra estrategia propuesta para facilitar el entrenamiento de modelos de AP en conjuntos de datos de RM de próstata pequeños, siendo UNet la mejor arquitectura del modelo y Denoising Autoencoder (DAE) el mejor método de AAS, con un puntaje total de 0.558 en el dataset Prostate158 y 0.647 en el dataset ChiPCa.
dc.description.funderANID
dc.description.funderFondecyt
dc.fechaingreso.objetodigital2025-01-09
dc.format.extentxv, 54 páginas
dc.fuente.origenSRIA
dc.identifier.doi10.7764/tesisUC/ING/89575
dc.identifier.urihttps://doi.org/10.7764/tesisUC/ING/89575
dc.identifier.urihttps://repositorio.uc.cl/handle/11534/89575
dc.information.autorucEscuela de Ingeniería; Parra Santander, Denis; 0000-0001-9878-8761; 1011554
dc.information.autorucEscuela de Ingeniería; Facuse Pérez, Jorge Ignacio; S/I; 1045516
dc.language.isoes
dc.nota.accesocontenido completo
dc.rightsacceso abierto
dc.subjectAdaptación de dominio
dc.subjectAprendizaje auto-supervisado
dc.subjectTransferencia de aprendizaje
dc.subjectCáncer de próstata
dc.subjectSegmentación
dc.subject.ddc620
dc.subject.deweyIngenieríaes_ES
dc.subject.ods03 Good health and well-being
dc.subject.odspa03 Salud y bienestar
dc.titleExploring training strategies and model architectures for domain adaptation in prostate cancer MRI
dc.typetesis de maestría
sipa.codpersvinculados1011554
sipa.codpersvinculados1045516
Files
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
TESIS_JPérez.pdf
Size:
3.76 MB
Format:
Adobe Portable Document Format
Description:
Download
Collections
3.01 Tesis magíster