• español
    • English
  • Login
  • español 
    • español
    • English

UniversidaddeCádiz

Área de Biblioteca, Archivo y Publicaciones
Comunidades y colecciones
Ver ítem 
  •   RODIN Principal
  • Trabajos Académicos
  • Trabajos Fin de Máster
  • Máster Universitario en Investigación en Ingeniería de Sistemas y de la Computación - TFM
  • Ver ítem
  •   RODIN Principal
  • Trabajos Académicos
  • Trabajos Fin de Máster
  • Máster Universitario en Investigación en Ingeniería de Sistemas y de la Computación - TFM
  • Ver ítem
JavaScript is disabled for your browser. Some features of this site may not work without it.

Deep Regression Model for Total Brain Volume Estimation in Preterm Neonates

Thumbnail
Identificadores

URI: http://hdl.handle.net/10498/31305

Ficheros
TFM (2.803Mb)
Estadísticas
Ver estadísticas
Compartir
Exportar a
Exportar a MendeleyRefworksEndNoteBibTexRIS
Metadatos
Mostrar el registro completo del ítem
Título alternativo
Modelo de regresión profunda para la estimación del volumen cerebral en neonatos prematuros
Autor/es
Antonio, Borrero Foncubierta
Fecha
2023-09-06
Director/Tutor
Pizarro Junquera, JoaquínAutoridad UCA
Departamento/s
Ingeniería Informática
Resumen
This study investigates the use of Deep Learning (DL) models for estimating total brain volume (TBV) in preterm infants utilizing 3D ultrasound (US) imaging data. A custom model with 3D convolution kernels and residual connections is developed, trained on 370 3D raster images from a cohort of 51 infants of postnatal age below 98 days (Mean age: 23.31 days, Standard Deviation: 21.03 days). The impact of incorporating postnatal age, either as an input parameter or a predicted variable, is briefly analyzed. Model uncertainty representations based on dropout are explored, leading to the development of a novel method centered on input transformations. The practical application of this research culminates in the creation of a graphical user interface that can load 3D US images, estimate TBV within seconds, and autonomously reject images deviating significantly from the model’s training distribution. This work contributes to the understanding of DL-based TBV estimation in preterm infants, highlighting the potential benefits of incorporating uncertainty measures and providing a user-friendly tool for medical practitioners.
Materias
Deep Learning; Deep Convolutional Networks; Total Brain Volume; 3D Ultrasound Imaging; Bayesian Network Approximation
Colecciones
  • Máster Universitario en Investigación en Ingeniería de Sistemas y de la Computación - TFM [8]
  • Trabajos fin de master Ing. Infor. [15]
Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Esta obra está bajo una Licencia Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 Internacional

Listar

Todo RODINComunidades y ColeccionesPor fecha de publicaciónAutoresTítulosMateriasEsta colecciónPor fecha de publicaciónAutoresTítulosMaterias

Mi cuenta

AccederRegistro

Estadísticas

Ver Estadísticas de uso

Información adicional

Acerca de...Deposita en RODINPolíticasNormativasDerechos de autorEnlaces de interésEstadísticasNovedadesPreguntas frecuentes

RODIN está accesible a través de

OpenAIREOAIsterRecolectaHispanaEuropeanaBaseDARTOATDGoogle Académico

Enlaces de interés

Sherpa/RomeoDulcineaROAROpenDOARCreative CommonsORCID

RODIN está gestionado por el Área de Biblioteca, Archivo y Publicaciones de la Universidad de Cádiz

ContactoSugerenciasAtención al Usuario