Aprenentatge profund per a la imatge de l'ictus: millorant el focus, l'eficiència i la equitat

Aquesta tesi doctoral desenvolupa mètodes d’aprenentatge profund per millorar l’anàlisi d’imatges mèdiques, amb especial atenció a la focalització, l’eficiència i la fiabilitat en l’ictus isquèmic agut. Partint del paper clau de l’angiografia per tomografia computada (angio-TC) cerebral en el triatge clínic, s’exploren models capaços d’explotar de manera efectiva la informació vascular i contextual de l’angio-TC. Les contribucions principals inclouen: (1) estratègies per orientar les xarxes neuronals cap a les estructures més rellevants per a la detecció d’ictus, és a dir, l’estructura vascular, preservant alhora la informació parenquimatosa contextual de l’angio-TC cerebral; (2) el mòdul Learnable 3D Pooling, que comprimeix imatges mèdiques tridimensionals en mapes de característiques bidimensionals, permetent desenvolupar models eficients, lleugers i interpretables; i (3) un un marc experimental controlat per simular i analitzar els efectes de les variables confusores en tasques de classificació cínicament rellevants, que permet desenvolupar un mètode pràctic i no supervisat per detectar possibles biaixos ocults, encara que la naturalesa dels confusors sigui desconeguda. Els mètodes proposats són aplicables a diferents modalitats d’imatge mèdica i patologies diverses, amb una rellevància particular per a la neuroimatge. Dissenyats amb capacitat de generalització, aquests mètodes han demostrat utilitat més enllà de l’ictus, posant de manifest el seu potencial per a diversos contextos clínics. En conjunt, les aportacions d’aquesta tesi contribueixen al desenvolupament d’eines d’aprenentatge profund més focalitzades, eficients i fiables.

Lectura de la tesi: 27/02/2026 a la Sala d'Actes de l'Escola Politècnica Superior IV (informació extreta de l’Agenda activitats de la web Escola de Doctorat).