Tesi doctoral de Cansu Yalçin: "Deep Learning Methods with Limited Supervision for Brain Pathology Analysis in Neuroimaging". Direcció: Dr. Xavier Llado Bardera i Dr. Adria Casamitjana Diaz
L’anàlisi de
patologies cerebrals mitjançant imatge mèdica és fonamental per al diagnòstic
clínic, la planificació del tractament i la predicció de l’evolució dels
pacients. La tomografia computada (TC) i la ressonància magnètica (RM) s’han
convertit en modalitats essencials per avaluar dues grans classes de patologies
cerebrals: l’hemorràgia intracranial (HIC) i els tumors cerebrals. No obstant
això, la interpretació i l’anàlisi manuals d’aquestes imatges són processos
lents, costosos en temps i susceptibles a variabilitat intra- i
interobservador. En els darrers anys, els mètodes basats en intel·ligència
artificial han demostrat un gran potencial per automatitzar la detecció,
segmentació i quantificació de lesions cerebrals, contribuint així a millorar els
fluxos de treball clínics i la precisió diagnòstica. Tanmateix, aquests mètodes
solen dependre de grans quantitats de dades anotades per assolir un alt
rendiment. En imatge mèdica, l’obtenció d’aquestes anotacions és especialment
complexa a causa de la necessitat de coneixement expert, així com del temps i
cost econòmic associats al seu etiquetatge manual. Com a resultat, tot i que es
generen grans volums de dades d’imatge mèdica en la pràctica clínica, només una
petita fracció disposa d’anotacions d’alta qualitat. Aquest desequilibri posa
de manifest la necessitat de desenvolupar estratègies d’aprenentatge capaces
d’aprofitar dades etiquetades limitades.
L’objectiu
principal d’aquesta tesi doctoral és desenvolupar metodologies robustes
d’aprenentatge profund per a l’anàlisi de neuroimatge en contextos de
supervisió limitada. Per abordar l’escassetat d’anotacions, explorem diverses
estratègies complementàries. En una primera etapa, proposem un marc per a la
predicció de l’expansió de l’hematoma (HE) en hemorràgia intracerebral
espontània (HIC) utilitzant imatges TC basals. Aquest enfocament combina un
model de classificació amb la generació sintètica d’imatges TC per millorar la
robustesa i mitigar la manca de dades. Els resultats mostren que la integració
de dades sintètiques amb tècniques d’augment convencionals millora tant el
rendiment predictiu com la capacitat de generalització. En una segona etapa, desenvolupem
marcs d’aprenentatge semi-supervisat que aprofiten tant dades etiquetades com
no etiquetades per a la segmentació binària de lesions cerebrals en tumors
cerebrals i HIC espontànies. Introduïm un mètode innovador que combina la
pertorbació de característiques amb l’aprenentatge mutu, aconseguint millores
significatives en escenaris amb poques anotacions (10-20% de dades
etiquetades). En una tercera etapa, ampliem l’aprenentatge semi-supervisat a la
segmentació multiclasse d’hemorràgies, una tasca més complexa que requereix
diferenciar múltiples subtipus d’hemorràgia. Realitzem una avaluació exhaustiva
de mètodes semi-supervisats dins d’un marc unificat basat en nnU-Net,
proporcionant una comparació sistemàtica de diferents estratègies.
Totes les
metodologies proposades s’avaluen tant en conjunts de dades institucionals de
centres hospitalaris col·laboradors com en referències internacionals
públiques, cosa que permet una comparació objectiva amb l’estat de l’art. Cal
destacar que aquest treball s’ha dut a terme en estreta col·laboració amb
l’equip mèdic de l’Hospital Dr. Josep Trueta, integrant coneixement clínic al
llarg de tot el procés de recerca, des de la formulació del problema i
l’adquisició de dades fins a la interpretació i validació dels resultats.
Mitjançant la combinació de tècniques d’aprenentatge profund amb coneixement
clínic, aquesta tesi pretén proporcionar eines pràctiques que donin suport a la
presa de decisions clíniques i millorin l’atenció als pacients amb tumors cerebrals
i HIC. Finalment, es posa especial èmfasi en la reproductibilitat i
l’aplicabilitat clínica, amb la publicació de tots els mètodes i fluxos
experimentals per facilitar futures investigacions i el desenvolupament de
sistemes fiables de suport a la decisió clínica.
Lectura de la tesi: 16/07/2026 a la Sala d'Actes de l'Escola Politècnica Superior I (informació extreta de l’Agenda activitats de la web Escola de Doctorat).