Improving the robustness and performance of quantusFLM® against different delineations
Visualitza/Obre
Estadístiques de LA Referencia / Recolecta
Inclou dades d'ús des de 2022
Cita com:
hdl:2117/88875
Tipus de documentTreball Final de Grau
Data2016-05-23
Condicions d'accésAccés obert
Llevat que s'hi indiqui el contrari, els
continguts d'aquesta obra estan subjectes a la llicència de Creative Commons
:
Reconeixement-NoComercial-SenseObraDerivada 3.0 Espanya
Abstract
Background: Neonatal respiratory morbidity (NRM) is the leading cause of mortality and morbidity associated with baby prematurity birth. Traditionally, Fetal lung maturity (FLM) is determined by measuring pulmonary surfactant in amniotic fluid extracted from the patient via an invasive procedure. To address these limitations, quantusFLM® was developed to predict NRM in a non-invasive way from ultrasound images of the fetus lung with similar performance to traditional tests using amniotic fluid. This project explores the capability of a new method to improve the robustness of quantusFLM® to different manual lung delineations (a required first step of quantusFLM®). Results: First, two sets of manual delineations were produced by an (1) expert and a (2) non-expert user of quantusFLM®. Then, we benchmarked two different machine learning methods: AdaBoost and Support Vector Machines. The first one obtained the best results but its overall performance still falls short compared to quantusFLM® current version. We then designed two novel training strategies (Concatenation and Substitution) using AdaBoost to make a better use of multiple image delineations during training. The substitution strategy has proved to improve quantusFLM® results across both sets of delineations almost a 10%. Conclusions: Manual delineations are a necessary first step for the application of quantusFLM® and there is always a certain degree of subjectivity associated to the task. This study has shown that we can improve quantusFLM® robustness to “non-expert” delineations using known supervised learning approaches coupled with novel strategies designed to leverage multiple delineations effectively. Antecedentes: La morbilidad respiratoria neonatal (NRM) es la principal causa de mortalidad y morbilidad asociada con el nacimiento prematuro de un bebé. Tradicionalmente, la madurez fetal de los pulmones (FLM) se determina mediante la medición del surfactante pulmonar en el líquido amniótico extraída del paciente a través de un procedimiento invasivo. Para hacer frente a estas limitaciones, quantusFLM® fue desarrollado para predecir la NRM de una manera no invasiva con imágenes de ultrasonido del pulmón del feto con un rendimiento similar a las pruebas tradicionales utilizando líquido amniótico. Este proyecto explora la capacidad de un nuevo método para mejorar la robustez de quantusFLM® frente a diferentes delineaciones manuales del pulmón (una primera etapa necesaria de quantusFLM®). Resultados: Primero, dos conjuntos de delineaciones manuales fueron producidos por un usuario “experto” y otro “no experto” de quantusFLM®. Luego, se utilizaron dos métodos diferentes de Machine Learning: AdaBoost y Support Vector Machines. El primero obtuvo los mejores resultados pero incluso así los resultados no mejoraban a la versión actual de quantusFLM®. Entonces, se diseñaron dos nuevas estrategias de entrenamiento (Concatenación y Sustitución) utilizando AdaBoost para mejorar el uso de las multiples delineaciones durante el entrenamiento. La estrategia de sustitución ha demostrado mejorar los resultados quantusFLM® a través de ambos conjuntos de delineaciones casi un 10%. Conclusiones: Las delineaciones manuales son un primer paso necesario para la aplicación de quantusFLM® y siempre hay un cierto grado de subjetividad asociada a esta tarea. Este estudio ha demostrado que podemos mejorar la robustez de quantusFLM® frente a delineaciones de usuarios "no expertos" utilizando enfoques de aprendizaje supervisado ya conocidos junto con nuevas estrategias diseñadas para aprovechar múltiples delineaciones de manera efectiva. Antecedents: La morbilitat respiratòria neonatal (NRM) és la principal causa de mortalitat i morbilitat associada amb el naixement prematur del nadó. Tradicionalment, la maduresa fetal dels pulmons (FLM) es determina mitjançant la mesura de l'agent tensioactiu pulmonar en el líquid amniòtic extret del pacient a través d'un procediment invasiu. Per fer front a aquestes limitacions, quantusFLM® va ser desenvolupat per predir NRM d'una manera no invasiva amb imatges d'ultrasò del pulmó del fetus amb un rendiment similar a les proves tradicionals utilitzant líquid amniòtic. Aquest projecte explora la capacitat d'un nou mètode per millorar la robustesa de quantusFLM® a diferents delineacions manuals del pulmó (una primera etapa necessària de quantusFLM®). Resultats: Primer, dos conjunts de delineacions manuals van ser produïts per un usuari "expert" i un altre "no expert" de quantusFLM®. Després, es van utilitzar dos mètodes diferents de Machine Learning: AdaBoost i Support Vector Machines. El primer va obtenir els millors resultats però fins i tot així els resultats no milloraven a la versió actual de quantusFLM®. Llavors, es van dissenyar dues noves estratègies d'entrenament (Concatenació i Substitució) utilitzant AdaBoost per millorar l'ús de les múltiples delineacions durant l'entrenament. L'estratègia de substitució ha demostrat millorar els resultats quantusFLM® a través dels dos conjunts de delineacions gairebé un 10%. Conclusions: Les delineacions manuals són un primer pas necessari per a l'aplicació de quantusFLM® i sempre hi ha un cert grau de subjectivitat associada a aquesta tasca. Aquest estudi ha demostrat que podem millorar la robustesa de quantusFLM® davant delineacions d'usuaris "no experts" utilitzant enfocaments d'aprenentatge supervisat ja coneguts juntament amb noves estratègies dissenyades per aprofitar múltiples delineacions de manera efectiva.
Descripció
Neonatal respiratory morbidity (NRM) is the leading cause of mortality and morbidity associated with prematurity. Today, NRM is mainly assessed with amniocentesis, an invasive and risky procedure that cannot be performed in all clinical settings. A non-invasive, fast and ready-to-use solution is quantusFLM® that predicts NRM by analyzing fetal lung texture from an ultrasound image. However, some limitations still present since the result offered by quantusFLM® is dichotomic and in consequence qualitative for its use in the clinical practice. Therefore, a new method is neede
TitulacióGRAU EN ENGINYERIA DE SISTEMES AUDIOVISUALS (Pla 2009)
Fitxers | Descripció | Mida | Format | Visualitza |
---|---|---|---|---|
Final_Report_Jaime_Espinola.pdf | 5,267Mb | Visualitza/Obre |