DSpace DSpace UPC
 English   Castellano   Català  

Treballs academics UPC >
Màsters Oficials >
Master in Artificial Intelligence - MAI (Pla 2006) >

Empreu aquest identificador per citar o enllaçar aquest ítem: http://hdl.handle.net/2099.1/15836

Arxiu Descripció MidaFormat
alberto_martinez_gonzalez.pdf4,18 MBAdobe PDFVeure/Obrir

Títol: Segmentation of brain MRI structures with deep machine learning
Autor: Martínez González, Alberto
Tutor/director/avaluador: Igual Muñoz, Laura
Universitat: Universitat Politècnica de Catalunya
Càtedra /Departament: Universitat Politècnica de Catalunya. Departament de Llenguatges i Sistemes Informàtics
Matèries: Àrees temàtiques de la UPC::Informàtica::Intel·ligència artificial::Aprenentatge automàtic
Àrees temàtiques de la UPC::Ciències de la salut ::Medicina::Neurologia
Machine learning
Neural networks (Computer science)
Brain--Magnetic resonance imaging
Aprenentatge automàtic
Xarxes neuronals (Informàtica)
Cervell--Imatges per ressonància magnètica
Data: 22-jun-2012
Tipus de document: Master thesis
Resum: Several studies on brain Magnetic Resonance Images (MRI) show relations between neuroanatomical abnormalities of brain structures and neurological disorders, such as Attention De fficit Hyperactivity Disorder (ADHD) and Alzheimer. These abnormalities seem to be correlated with the size and shape of these structures, and there is an active fi eld of research trying to find accurate methods for automatic MRI segmentation. In this project, we study the automatic segmentation of structures from the Basal Ganglia and we propose a new methodology based on Stacked Sparse Autoencoders (SSAE). SSAE is a strategy that belongs to the family of Deep Machine Learning and consists on a supervised learning method based on an unsupervisely pretrained Feed-forward Neural Network. Moreover, we present two approaches based on 2D and 3D features of the images. We compare the results obtained on the di fferent regions of interest with those achieved by other machine learning techniques such as Neural Networks and Support Vector Machines. We observed that in most cases SSAE improves those other methods. We demonstrate that the 3D features do not report better results than the 2D ones as could be thought. Furthermore, we show that SSAE provides state-of-the-art Dice Coe fficient results (left, right): Caudate (90.6+-3 1.4, 90.31 +-1.7), Putamen (91.03 +-1.4, 90.82+- 1.4), Pallidus (85.11+-1.8, 83.47 +-2.2), Accumbens (74.26+- 4.4, 74.46 +-4.6).
URI: http://hdl.handle.net/2099.1/15836
Condicions d'accés: Open Access
Apareix a les col·leccions:Master in Artificial Intelligence - MAI (Pla 2006)
Comparteix:



SFX Query

Aquest ítem (excepte textos i imatges no creats per l'autor) està subjecte a una llicència de Creative Commons Llicència Creative Commons
Creative Commons

 

Valid XHTML 1.0! Programari DSpace Copyright © 2002-2004 MIT and Hewlett-Packard Comentaris
Universitat Politècnica de Catalunya. Servei de Biblioteques, Publicacions i Arxius