TFG - Grado en Ingeniería Biomédica - Curso 2022-2023

Permanent URI for this collectionhttps://hdl.handle.net/10171/64033

See

Results

Now showing 1 - 2 of 2
  • Thumbnail Image
    Técnica de imágenes de transferencia de protones de amida (APT) en la evaluación de tumores cerebrales en resonancia magnética de 3 Tesla.
    (Servicio de Publicaciones. Universidad de Navarrra, 2023-09-07) Galindo-Miguel, A. (Ainhoa); Suarez-Vega, V. (Víctor)
    El presente estudio muestra un análisis detallado de la prometedora secuencia de resonancia magnética, APT-CEST. Esta nueva WIP busca revelar información de interés sobre las lesiones tumorales, como puede ser, el comportamiento de la región patológica. Sin embargo, es importante explorar su potencial más allá́ de la patología tumoral, abriendo paso a investigaciones dirigidas a otras condiciones de salud. En este caso, se ha probado la nueva secuencia APT-CEST en pacientes no-tumorales para obtener información relevante sobre el comportamiento de los tejidos en condiciones “sanas”, de tal manera que, estos datos, puedan ser de gran ayuda para la posterior comparación de los valores obtenidos en pacientes tumorales. En concreto, se han estudiado las regiones de la sustancia blanca y sustancia gris profunda. En la segunda mitad del estudio, se ha llevado a cabo el estudio de pacientes con patología oncológica. Específicamente, se han investigado regiones clave como el tumor sólido, la sustancia blanca edematosa, la sustancia blanca de apariencia normal y la cavidad quirúrgica. Para ello, se han procesado las imágenes mediante el software Syngo Via y se han realizado diferentes ROI en las regiones mencionadas anteriormente. Con toda la información recopilada, se han realizado pruebas estadísticas en Rstudio. Los resultados obtenidos revelan un aumento del valor de APT en las regiones de tumor sólido, necrosis y cavidad quirúrgica. La SBAN de los pacientes tumorales presentan valores similares a la sustancia blanca sana. Además, en los pacientes sanos se visualiza un “gradiente” fronto-occipital del APT. La sustancia gris profunda presenta valores más elevados que la sustancia blanca, siendo estos muy inferiores a los del tumor sólido, necrosis o cavidad quirúrgica
  • Thumbnail Image
    Implementation of a model for detection and classification of brain tumours in magnetic resonance imaging using convolutional neural networks
    (Servicio de Publicaciones. Universidad de Navarra., 2023-09-01) Serra-Parri, A. (Alvaro); Díaz-Dorronsoro, J. (Javier)
    Accurate detection and classification of brain tumours in magnetic resonance imaging (MRI) are crucial for diagnosis and treatment planning. This research paper presents the implementation of a comprehensive model for the detection and classification of brain tumours using convolutional neural networks (CNNs) based on T1-weighted MRI scans. The project encompasses the development of a data preprocessing pipeline, including data normalisation, train/validation/test set splitting, and organisation into a suitable directory structure. The pipeline ensures the creation of a balanced and representative dataset for training and evaluating the CNN-based tumour classification model. The tumour detection and classification algorithm utilize CNNs to analyse preprocessed T1-weighted MRI data. The 3D CNN model leverages the spatial information encoded in the MRI volumes to accurately identify and classify brain tumours. TensorFlow, a popular deep learning library, is employed for developing and training the 3D CNN model. The model's performance is evaluated using appropriate metrics such as accuracy, precision, and area under the ROC curve (AUC). The results demonstrate the effectiveness of the proposed model in detecting and classifying brain tumours in T1-weighted MRI scans, with high accuracy and discriminatory power. Overall, the implementation of this model for brain tumour detection and classification in T1-weighted MRI scans provides a valuable tool for medical professionals and researchers. The model's accuracy and efficiency contribute to improved diagnosis, treatment planning, and monitoring of brain tumours, ultimately enhancing patient care and outcomes.