Hispana. Acceso en línea al Patrimonio Cultural Digital Español

Está en:  › Record data

3D Multi-class CNN implementation for abdominal aortic aneurysm segmentation

Identificadores del recurso

https://academica-e.unavarra.es/handle/2454/39558

Origin

(Academica-e: repositorio digital de la Universidad Pública de Navarra)

File

Title:: 3D Multi-class CNN implementation for abdominal aortic aneurysm segmentation
Tema:: Aneurisma de Aorta Abdominal (AAA); Monitorización; Tomografía; Computerizada de Angiografía (CTA); Segmentación; Red Neuronal Convolucional (CNN); Abdominal Aortic Aneurysm (AAA); Surveillance; Computerized Tomography Angiography (CTA); Segmentation; Convolutional Neural Network (CNN)
Description:: El Aneurisma de Aorta Abdominal (AAA) es una dilatación progresiva de la aorta abdominal producida por el debilitamiento y la degradación de la región. Es una condición que compromete a la vida y requiere constante monitorización y tratamiento, en la mayoría de los casos. El procedimiento más común es la Reparación Endovascular (en inglés, EVAR), que consiste en la colocación de un stent a través de un catéter. A pesar de los grandes avances en torno a esta técnica, existe una falta de estandarización en cuanto a la determinación del grado y ratio de progresión de la patología. Este proyecto tiene como objetivo la implementación de un algoritmo de segmentación automática, que pueda ser ´útil en la monitorización de la patología. En primer lugar, se ha realizado un estudio del caso clínico del AAA y de su tratamiento, y se han analizado las principales necesidades clínicas que han motivado el desarrollo de herramientas automáticas. En segundo lugar, se han estudiado las características de las Tomografías Computerizadas de Angiografía (en inglés, CTA), y las principales diferencias que presentan los estudio pre y post-operatorios. En tercer lugar, se han descritos algunas técnicas de Aprendizaje Profundo para la segmentación de imágenes médicas y se ha introducido el concepto de Redes Neuronales Convolucionales. En cuarto lugar, se ha analizado el conjunto de volúmenes disponibles y se han generado las máscaras para el entrenamiento. Una vez obtenidos los resultados de la segmentación, se han utilizado métricas como el Índice de Jaccard y la Distancia de Hausdorff para su evaluación. Finalmente, se han expuesto las conclusiones generales obtenidas tras la implementación del algoritmo automático.; An Abdominal Aortic Aneurysm (AAA) is a progressive dilation produced as a consequence of the weakening and degradation of the abdominal region of the aorta. It is a life-threatening condition which requires monitoring and treatment, in the majority of cases. The most common procedure for AAA’s treatment is the Endovascular Aneurysm Repair (EVAR), which involves the insertion of a stent graft in the aneurysm through a catheter. Despite the great progression of the technique, there is a lack of standardization in terms of determining the degree and rate of disease progression. This project aims at providing an automatic aneurysm segmentation algorithm, that would let the evaluation of the AAA surveillance. Firstly, the clinical framework regarding the AAA, the EVAR procedure and its complications have been studied, focusing on the main unfulfilled clinical needs. Secondly, a deep analysis into Computerized Tomography Angiography (CTA) has been performed, in which the characteristics of pre and post-operative CTA scans have been evaluated. Thirdly, Deep Learning techniques for medical image segmentation have been studied, introducing the concept of Convolutional Neural Network. Then, the materials and methodology carried out for the implementation of the algorithm has been developed, describing the characteristics of the network and the dataset, emphasizing on the generation of the ground truth mask and the consideration of uncertainty in the annotation process. Once the predictions of the volumes have been obtained, their evaluation has been performed using Jaccard Index and Hausdorff Distance scores. Finally, general conclusions about the obtained results and general overview of the project is presented.; Máster Universitario en Ingeniería Biomédica por la Universidad Pública de Navarra; Ingeniaritza Biomedikoko Unibertsitate Masterra Nafarroako Unibertsitate Publikoan
Idioma:: Spanish; Castilian
Autor/Productor:: Oyarzun Domeño, Anne
Otros colaboradores/productores:: Cabeza Laguna, Rafael; Escuela Técnica Superior de Ingeniería Industrial, Informática y de Telecomunicación; Industria, Informatika eta Telekomunikazio Ingeniaritzako Goi Mailako Eskola Teknikoa
Rights:: info:eu-repo/semantics/openAccess
Date:: 2021
Tipo de recurso:: info:eu-repo/semantics/masterThesis
Format:: application/pdf

oai_dc

Download XML

<?xml version="1.0" encoding="UTF-8" ?>

<oai_dc:dc schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/ http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
1. <dc:title>3D Multi-class CNN implementation for abdominal aortic aneurysm segmentation</dc:title>
2. <dc:creator>Oyarzun Domeño, Anne</dc:creator>
3. <dc:contributor>Cabeza Laguna, Rafael</dc:contributor>
4. <dc:contributor>Escuela Técnica Superior de Ingeniería Industrial, Informática y de Telecomunicación</dc:contributor>
5. <dc:contributor>Industria, Informatika eta Telekomunikazio Ingeniaritzako Goi Mailako Eskola Teknikoa</dc:contributor>
6. <dc:subject>Aneurisma de Aorta Abdominal (AAA)</dc:subject>
7. <dc:subject>Monitorización</dc:subject>
8. <dc:subject>Tomografía</dc:subject>
9. <dc:subject>Computerizada de Angiografía (CTA)</dc:subject>
10. <dc:subject>Segmentación</dc:subject>
11. <dc:subject>Red Neuronal Convolucional (CNN)</dc:subject>
12. <dc:subject>Abdominal Aortic Aneurysm (AAA)</dc:subject>
13. <dc:subject>Surveillance</dc:subject>
14. <dc:subject>Computerized Tomography Angiography (CTA)</dc:subject>
15. <dc:subject>Segmentation</dc:subject>
16. <dc:subject>Convolutional Neural Network (CNN)</dc:subject>
17. <dc:description>El Aneurisma de Aorta Abdominal (AAA) es una dilatación progresiva de la aorta abdominal producida por el debilitamiento y la degradación de la región. Es una condición que compromete a la vida y requiere constante monitorización y tratamiento, en la mayoría de los casos. El procedimiento más común es la Reparación Endovascular (en inglés, EVAR), que consiste en la colocación de un stent a través de un catéter. A pesar de los grandes avances en torno a esta técnica, existe una falta de estandarización en cuanto a la determinación del grado y ratio de progresión de la patología. Este proyecto tiene como objetivo la implementación de un algoritmo de segmentación automática, que pueda ser ´útil en la monitorización de la patología. En primer lugar, se ha realizado un estudio del caso clínico del AAA y de su tratamiento, y se han analizado las principales necesidades clínicas que han motivado el desarrollo de herramientas automáticas. En segundo lugar, se han estudiado las características de las Tomografías Computerizadas de Angiografía (en inglés, CTA), y las principales diferencias que presentan los estudio pre y post-operatorios. En tercer lugar, se han descritos algunas técnicas de Aprendizaje Profundo para la segmentación de imágenes médicas y se ha introducido el concepto de Redes Neuronales Convolucionales. En cuarto lugar, se ha analizado el conjunto de volúmenes disponibles y se han generado las máscaras para el entrenamiento. Una vez obtenidos los resultados de la segmentación, se han utilizado métricas como el Índice de Jaccard y la Distancia de Hausdorff para su evaluación. Finalmente, se han expuesto las conclusiones generales obtenidas tras la implementación del algoritmo automático.</dc:description>
18. <dc:description>An Abdominal Aortic Aneurysm (AAA) is a progressive dilation produced as a consequence of the weakening and degradation of the abdominal region of the aorta. It is a life-threatening condition which requires monitoring and treatment, in the majority of cases. The most common procedure for AAA’s treatment is the Endovascular Aneurysm Repair (EVAR), which involves the insertion of a stent graft in the aneurysm through a catheter. Despite the great progression of the technique, there is a lack of standardization in terms of determining the degree and rate of disease progression. This project aims at providing an automatic aneurysm segmentation algorithm, that would let the evaluation of the AAA surveillance. Firstly, the clinical framework regarding the AAA, the EVAR procedure and its complications have been studied, focusing on the main unfulfilled clinical needs. Secondly, a deep analysis into Computerized Tomography Angiography (CTA) has been performed, in which the characteristics of pre and post-operative CTA scans have been evaluated. Thirdly, Deep Learning techniques for medical image segmentation have been studied, introducing the concept of Convolutional Neural Network. Then, the materials and methodology carried out for the implementation of the algorithm has been developed, describing the characteristics of the network and the dataset, emphasizing on the generation of the ground truth mask and the consideration of uncertainty in the annotation process. Once the predictions of the volumes have been obtained, their evaluation has been performed using Jaccard Index and Hausdorff Distance scores. Finally, general conclusions about the obtained results and general overview of the project is presented.</dc:description>
19. <dc:description>Máster Universitario en Ingeniería Biomédica por la Universidad Pública de Navarra</dc:description>
20. <dc:description>Ingeniaritza Biomedikoko Unibertsitate Masterra Nafarroako Unibertsitate Publikoan</dc:description>
21. <dc:date>2021</dc:date>
22. <dc:type>info:eu-repo/semantics/masterThesis</dc:type>
23. <dc:identifier>https://academica-e.unavarra.es/handle/2454/39558</dc:identifier>
24. <dc:language>spa</dc:language>
25. <dc:rights>info:eu-repo/semantics/openAccess</dc:rights>
26. <dc:format>application/pdf</dc:format>
27. <dc:format>application/pdf</dc:format>
</oai_dc:dc>

didl

Download XML

<?xml version="1.0" encoding="UTF-8" ?>

<d:DIDL schemaLocation="urn:mpeg:mpeg21:2002:02-DIDL-NS http://standards.iso.org/ittf/PubliclyAvailableStandards/MPEG-21_schema_files/did/didl.xsd">
1. <d:Item id="hdl_2454_39558">
  1. <d:Descriptor>
    1. <d:Statement mimeType="application/xml; charset=utf-8">
      1. <dii:Identifier schemaLocation="urn:mpeg:mpeg21:2002:01-DII-NS http://standards.iso.org/ittf/PubliclyAvailableStandards/MPEG-21_schema_files/dii/dii.xsd">urn:hdl:2454/39558</dii:Identifier>
      </d:Statement>
    </d:Descriptor>
  2. <d:Descriptor>
    1. <d:Statement mimeType="application/xml; charset=utf-8">
      1. <oai_dc:dc schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/ http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
        <dc:title>3D Multi-class CNN implementation for abdominal aortic aneurysm segmentation</dc:title>
        <dc:creator>Oyarzun Domeño, Anne</dc:creator>
        <dc:contributor>Cabeza Laguna, Rafael</dc:contributor>
        <dc:contributor>Escuela Técnica Superior de Ingeniería Industrial, Informática y de Telecomunicación</dc:contributor>
        <dc:contributor>Industria, Informatika eta Telekomunikazio Ingeniaritzako Goi Mailako Eskola Teknikoa</dc:contributor>
        <dc:subject>Aneurisma de Aorta Abdominal (AAA)</dc:subject>
        <dc:subject>Monitorización</dc:subject>
        <dc:subject>Tomografía</dc:subject>
        <dc:subject>Computerizada de Angiografía (CTA)</dc:subject>
        <dc:subject>Segmentación</dc:subject>
        <dc:subject>Red Neuronal Convolucional (CNN)</dc:subject>
        <dc:subject>Abdominal Aortic Aneurysm (AAA)</dc:subject>
        <dc:subject>Surveillance</dc:subject>
        <dc:subject>Computerized Tomography Angiography (CTA)</dc:subject>
        <dc:subject>Segmentation</dc:subject>
        <dc:subject>Convolutional Neural Network (CNN)</dc:subject>
        <dc:description>El Aneurisma de Aorta Abdominal (AAA) es una dilatación progresiva de la aorta abdominal producida por el debilitamiento y la degradación de la región. Es una condición que compromete a la vida y requiere constante monitorización y tratamiento, en la mayoría de los casos. El procedimiento más común es la Reparación Endovascular (en inglés, EVAR), que consiste en la colocación de un stent a través de un catéter. A pesar de los grandes avances en torno a esta técnica, existe una falta de estandarización en cuanto a la determinación del grado y ratio de progresión de la patología. Este proyecto tiene como objetivo la implementación de un algoritmo de segmentación automática, que pueda ser ´útil en la monitorización de la patología. En primer lugar, se ha realizado un estudio del caso clínico del AAA y de su tratamiento, y se han analizado las principales necesidades clínicas que han motivado el desarrollo de herramientas automáticas. En segundo lugar, se han estudiado las características de las Tomografías Computerizadas de Angiografía (en inglés, CTA), y las principales diferencias que presentan los estudio pre y post-operatorios. En tercer lugar, se han descritos algunas técnicas de Aprendizaje Profundo para la segmentación de imágenes médicas y se ha introducido el concepto de Redes Neuronales Convolucionales. En cuarto lugar, se ha analizado el conjunto de volúmenes disponibles y se han generado las máscaras para el entrenamiento. Una vez obtenidos los resultados de la segmentación, se han utilizado métricas como el Índice de Jaccard y la Distancia de Hausdorff para su evaluación. Finalmente, se han expuesto las conclusiones generales obtenidas tras la implementación del algoritmo automático.</dc:description>
        <dc:description>An Abdominal Aortic Aneurysm (AAA) is a progressive dilation produced as a consequence of the weakening and degradation of the abdominal region of the aorta. It is a life-threatening condition which requires monitoring and treatment, in the majority of cases. The most common procedure for AAA’s treatment is the Endovascular Aneurysm Repair (EVAR), which involves the insertion of a stent graft in the aneurysm through a catheter. Despite the great progression of the technique, there is a lack of standardization in terms of determining the degree and rate of disease progression. This project aims at providing an automatic aneurysm segmentation algorithm, that would let the evaluation of the AAA surveillance. Firstly, the clinical framework regarding the AAA, the EVAR procedure and its complications have been studied, focusing on the main unfulfilled clinical needs. Secondly, a deep analysis into Computerized Tomography Angiography (CTA) has been performed, in which the characteristics of pre and post-operative CTA scans have been evaluated. Thirdly, Deep Learning techniques for medical image segmentation have been studied, introducing the concept of Convolutional Neural Network. Then, the materials and methodology carried out for the implementation of the algorithm has been developed, describing the characteristics of the network and the dataset, emphasizing on the generation of the ground truth mask and the consideration of uncertainty in the annotation process. Once the predictions of the volumes have been obtained, their evaluation has been performed using Jaccard Index and Hausdorff Distance scores. Finally, general conclusions about the obtained results and general overview of the project is presented.</dc:description>
        <dc:date>2021</dc:date>
        <dc:type>info:eu-repo/semantics/masterThesis</dc:type>
        <dc:identifier>https://academica-e.unavarra.es/handle/2454/39558</dc:identifier>
        <dc:language>spa</dc:language>
        <dc:rights>info:eu-repo/semantics/openAccess</dc:rights>
        </oai_dc:dc>
      </d:Statement>
    </d:Descriptor>
  3. <d:Component id="2454_39558_1">
    1. <d:Resource mimeType="application/pdf" ref="https://academica-e.unavarra.es/bitstreams/cecfdb60-fd60-4563-bfa8-16775824f289/download" />
    </d:Component>
  </d:Item>
</d:DIDL>

dim

Download XML

<?xml version="1.0" encoding="UTF-8" ?>

<dim:dim schemaLocation="http://www.dspace.org/xmlns/dspace/dim http://www.dspace.org/schema/dim.xsd">
1. <dim:field element="entity" mdschema="dspace" qualifier="type">Publication</dim:field>
2. <dim:field authority="37064098-ee00-4204-b350-56455d3123b4" confidence="-1" element="contributor" mdschema="dc" qualifier="author">Oyarzun Domeño, Anne</dim:field>
3. <dim:field element="contributor" mdschema="dc" qualifier="advisorTFE">Cabeza Laguna, Rafael</dim:field>
4. <dim:field element="contributor" lang="es_ES" mdschema="dc" qualifier="affiliation">Escuela Técnica Superior de Ingeniería Industrial, Informática y de Telecomunicación</dim:field>
5. <dim:field element="contributor" lang="eu" mdschema="dc" qualifier="affiliation">Industria, Informatika eta Telekomunikazio Ingeniaritzako Goi Mailako Eskola Teknikoa</dim:field>
6. <dim:field element="date" mdschema="dc" qualifier="issued">2021</dim:field>
7. <dim:field element="identifier" mdschema="dc" qualifier="uri">https://academica-e.unavarra.es/handle/2454/39558</dim:field>
8. <dim:field element="description" lang="es_ES" mdschema="dc" qualifier="abstract">El Aneurisma de Aorta Abdominal (AAA) es una dilatación progresiva de la aorta abdominal producida por el debilitamiento y la degradación de la región. Es una condición que compromete a la vida y requiere constante monitorización y tratamiento, en la mayoría de los casos. El procedimiento más común es la Reparación Endovascular (en inglés, EVAR), que consiste en la colocación de un stent a través de un catéter. A pesar de los grandes avances en torno a esta técnica, existe una falta de estandarización en cuanto a la determinación del grado y ratio de progresión de la patología. Este proyecto tiene como objetivo la implementación de un algoritmo de segmentación automática, que pueda ser ´útil en la monitorización de la patología. En primer lugar, se ha realizado un estudio del caso clínico del AAA y de su tratamiento, y se han analizado las principales necesidades clínicas que han motivado el desarrollo de herramientas automáticas. En segundo lugar, se han estudiado las características de las Tomografías Computerizadas de Angiografía (en inglés, CTA), y las principales diferencias que presentan los estudio pre y post-operatorios. En tercer lugar, se han descritos algunas técnicas de Aprendizaje Profundo para la segmentación de imágenes médicas y se ha introducido el concepto de Redes Neuronales Convolucionales. En cuarto lugar, se ha analizado el conjunto de volúmenes disponibles y se han generado las máscaras para el entrenamiento. Una vez obtenidos los resultados de la segmentación, se han utilizado métricas como el Índice de Jaccard y la Distancia de Hausdorff para su evaluación. Finalmente, se han expuesto las conclusiones generales obtenidas tras la implementación del algoritmo automático.</dim:field>
9. <dim:field element="description" lang="en" mdschema="dc" qualifier="abstract">An Abdominal Aortic Aneurysm (AAA) is a progressive dilation produced as a consequence of the weakening and degradation of the abdominal region of the aorta. It is a life-threatening condition which requires monitoring and treatment, in the majority of cases. The most common procedure for AAA’s treatment is the Endovascular Aneurysm Repair (EVAR), which involves the insertion of a stent graft in the aneurysm through a catheter. Despite the great progression of the technique, there is a lack of standardization in terms of determining the degree and rate of disease progression. This project aims at providing an automatic aneurysm segmentation algorithm, that would let the evaluation of the AAA surveillance. Firstly, the clinical framework regarding the AAA, the EVAR procedure and its complications have been studied, focusing on the main unfulfilled clinical needs. Secondly, a deep analysis into Computerized Tomography Angiography (CTA) has been performed, in which the characteristics of pre and post-operative CTA scans have been evaluated. Thirdly, Deep Learning techniques for medical image segmentation have been studied, introducing the concept of Convolutional Neural Network. Then, the materials and methodology carried out for the implementation of the algorithm has been developed, describing the characteristics of the network and the dataset, emphasizing on the generation of the ground truth mask and the consideration of uncertainty in the annotation process. Once the predictions of the volumes have been obtained, their evaluation has been performed using Jaccard Index and Hausdorff Distance scores. Finally, general conclusions about the obtained results and general overview of the project is presented.</dim:field>
10. <dim:field element="description" lang="es_ES" mdschema="dc" qualifier="degree">Máster Universitario en Ingeniería Biomédica por la Universidad Pública de Navarra</dim:field>
11. <dim:field element="description" lang="eu" mdschema="dc" qualifier="degree">Ingeniaritza Biomedikoko Unibertsitate Masterra Nafarroako Unibertsitate Publikoan</dim:field>
12. <dim:field element="format" lang="en" mdschema="dc" qualifier="mimetype">application/pdf</dim:field>
13. <dim:field element="language" lang="en" mdschema="dc" qualifier="iso">spa</dim:field>
14. <dim:field element="subject" lang="es_ES" mdschema="dc">Aneurisma de Aorta Abdominal (AAA)</dim:field>
15. <dim:field element="subject" lang="es_ES" mdschema="dc">Monitorización</dim:field>
16. <dim:field element="subject" lang="es_ES" mdschema="dc">Tomografía</dim:field>
17. <dim:field element="subject" lang="es_ES" mdschema="dc">Computerizada de Angiografía (CTA)</dim:field>
18. <dim:field element="subject" lang="es_ES" mdschema="dc">Segmentación</dim:field>
19. <dim:field element="subject" lang="es_ES" mdschema="dc">Red Neuronal Convolucional (CNN)</dim:field>
20. <dim:field element="subject" lang="en" mdschema="dc">Abdominal Aortic Aneurysm (AAA)</dim:field>
21. <dim:field element="subject" lang="en" mdschema="dc">Surveillance</dim:field>
22. <dim:field element="subject" lang="en" mdschema="dc">Computerized Tomography Angiography (CTA)</dim:field>
23. <dim:field element="subject" lang="en" mdschema="dc">Segmentation</dim:field>
24. <dim:field element="subject" lang="en" mdschema="dc">Convolutional Neural Network (CNN)</dim:field>
25. <dim:field element="title" lang="en" mdschema="dc">3D Multi-class CNN implementation for abdominal aortic aneurysm segmentation</dim:field>
26. <dim:field element="type" mdschema="dc">info:eu-repo/semantics/masterThesis</dim:field>
27. <dim:field element="rights" mdschema="dc" qualifier="accessRights">info:eu-repo/semantics/openAccess</dim:field>
</dim:dim>

etdms

Download XML

<?xml version="1.0" encoding="UTF-8" ?>

<thesis schemaLocation="http://www.ndltd.org/standards/metadata/etdms/1.0/ http://www.ndltd.org/standards/metadata/etdms/1.0/etdms.xsd">
1. <title>3D Multi-class CNN implementation for abdominal aortic aneurysm segmentation</title>
2. <creator>Oyarzun Domeño, Anne</creator>
3. <contributor>Cabeza Laguna, Rafael</contributor>
4. <contributor>Escuela Técnica Superior de Ingeniería Industrial, Informática y de Telecomunicación</contributor>
5. <contributor>Industria, Informatika eta Telekomunikazio Ingeniaritzako Goi Mailako Eskola Teknikoa</contributor>
6. <subject>Aneurisma de Aorta Abdominal (AAA)</subject>
7. <subject>Monitorización</subject>
8. <subject>Tomografía</subject>
9. <subject>Computerizada de Angiografía (CTA)</subject>
10. <subject>Segmentación</subject>
11. <subject>Red Neuronal Convolucional (CNN)</subject>
12. <subject>Abdominal Aortic Aneurysm (AAA)</subject>
13. <subject>Surveillance</subject>
14. <subject>Computerized Tomography Angiography (CTA)</subject>
15. <subject>Segmentation</subject>
16. <subject>Convolutional Neural Network (CNN)</subject>
17. <description>El Aneurisma de Aorta Abdominal (AAA) es una dilatación progresiva de la aorta abdominal producida por el debilitamiento y la degradación de la región. Es una condición que compromete a la vida y requiere constante monitorización y tratamiento, en la mayoría de los casos. El procedimiento más común es la Reparación Endovascular (en inglés, EVAR), que consiste en la colocación de un stent a través de un catéter. A pesar de los grandes avances en torno a esta técnica, existe una falta de estandarización en cuanto a la determinación del grado y ratio de progresión de la patología. Este proyecto tiene como objetivo la implementación de un algoritmo de segmentación automática, que pueda ser ´útil en la monitorización de la patología. En primer lugar, se ha realizado un estudio del caso clínico del AAA y de su tratamiento, y se han analizado las principales necesidades clínicas que han motivado el desarrollo de herramientas automáticas. En segundo lugar, se han estudiado las características de las Tomografías Computerizadas de Angiografía (en inglés, CTA), y las principales diferencias que presentan los estudio pre y post-operatorios. En tercer lugar, se han descritos algunas técnicas de Aprendizaje Profundo para la segmentación de imágenes médicas y se ha introducido el concepto de Redes Neuronales Convolucionales. En cuarto lugar, se ha analizado el conjunto de volúmenes disponibles y se han generado las máscaras para el entrenamiento. Una vez obtenidos los resultados de la segmentación, se han utilizado métricas como el Índice de Jaccard y la Distancia de Hausdorff para su evaluación. Finalmente, se han expuesto las conclusiones generales obtenidas tras la implementación del algoritmo automático.</description>
18. <description>An Abdominal Aortic Aneurysm (AAA) is a progressive dilation produced as a consequence of the weakening and degradation of the abdominal region of the aorta. It is a life-threatening condition which requires monitoring and treatment, in the majority of cases. The most common procedure for AAA’s treatment is the Endovascular Aneurysm Repair (EVAR), which involves the insertion of a stent graft in the aneurysm through a catheter. Despite the great progression of the technique, there is a lack of standardization in terms of determining the degree and rate of disease progression. This project aims at providing an automatic aneurysm segmentation algorithm, that would let the evaluation of the AAA surveillance. Firstly, the clinical framework regarding the AAA, the EVAR procedure and its complications have been studied, focusing on the main unfulfilled clinical needs. Secondly, a deep analysis into Computerized Tomography Angiography (CTA) has been performed, in which the characteristics of pre and post-operative CTA scans have been evaluated. Thirdly, Deep Learning techniques for medical image segmentation have been studied, introducing the concept of Convolutional Neural Network. Then, the materials and methodology carried out for the implementation of the algorithm has been developed, describing the characteristics of the network and the dataset, emphasizing on the generation of the ground truth mask and the consideration of uncertainty in the annotation process. Once the predictions of the volumes have been obtained, their evaluation has been performed using Jaccard Index and Hausdorff Distance scores. Finally, general conclusions about the obtained results and general overview of the project is presented.</description>
19. <date>2021</date>
20. <type>info:eu-repo/semantics/masterThesis</type>
21. <identifier>https://academica-e.unavarra.es/handle/2454/39558</identifier>
22. <language>spa</language>
23. <rights>info:eu-repo/semantics/openAccess</rights>
</thesis>

marc

Download XML

<?xml version="1.0" encoding="UTF-8" ?>

<record schemaLocation="http://www.loc.gov/MARC21/slim http://www.loc.gov/standards/marcxml/schema/MARC21slim.xsd">
1. <leader>00925njm 22002777a 4500</leader>
2. <datafield ind1=" " ind2=" " tag="042">
  1. <subfield code="a">dc</subfield>
  </datafield>
3. <datafield ind1=" " ind2=" " tag="720">
  1. <subfield code="a">Oyarzun Domeño, Anne</subfield>
  2. <subfield code="e">author</subfield>
  </datafield>
4. <datafield ind1=" " ind2=" " tag="260">
  1. <subfield code="c">2021</subfield>
  </datafield>
5. <datafield ind1=" " ind2=" " tag="520">
  1. <subfield code="a">El Aneurisma de Aorta Abdominal (AAA) es una dilatación progresiva de la aorta abdominal producida por el debilitamiento y la degradación de la región. Es una condición que compromete a la vida y requiere constante monitorización y tratamiento, en la mayoría de los casos. El procedimiento más común es la Reparación Endovascular (en inglés, EVAR), que consiste en la colocación de un stent a través de un catéter. A pesar de los grandes avances en torno a esta técnica, existe una falta de estandarización en cuanto a la determinación del grado y ratio de progresión de la patología. Este proyecto tiene como objetivo la implementación de un algoritmo de segmentación automática, que pueda ser ´útil en la monitorización de la patología. En primer lugar, se ha realizado un estudio del caso clínico del AAA y de su tratamiento, y se han analizado las principales necesidades clínicas que han motivado el desarrollo de herramientas automáticas. En segundo lugar, se han estudiado las características de las Tomografías Computerizadas de Angiografía (en inglés, CTA), y las principales diferencias que presentan los estudio pre y post-operatorios. En tercer lugar, se han descritos algunas técnicas de Aprendizaje Profundo para la segmentación de imágenes médicas y se ha introducido el concepto de Redes Neuronales Convolucionales. En cuarto lugar, se ha analizado el conjunto de volúmenes disponibles y se han generado las máscaras para el entrenamiento. Una vez obtenidos los resultados de la segmentación, se han utilizado métricas como el Índice de Jaccard y la Distancia de Hausdorff para su evaluación. Finalmente, se han expuesto las conclusiones generales obtenidas tras la implementación del algoritmo automático.</subfield>
  </datafield>
6. <datafield ind1=" " ind2=" " tag="520">
  1. <subfield code="a">An Abdominal Aortic Aneurysm (AAA) is a progressive dilation produced as a consequence of the weakening and degradation of the abdominal region of the aorta. It is a life-threatening condition which requires monitoring and treatment, in the majority of cases. The most common procedure for AAA’s treatment is the Endovascular Aneurysm Repair (EVAR), which involves the insertion of a stent graft in the aneurysm through a catheter. Despite the great progression of the technique, there is a lack of standardization in terms of determining the degree and rate of disease progression. This project aims at providing an automatic aneurysm segmentation algorithm, that would let the evaluation of the AAA surveillance. Firstly, the clinical framework regarding the AAA, the EVAR procedure and its complications have been studied, focusing on the main unfulfilled clinical needs. Secondly, a deep analysis into Computerized Tomography Angiography (CTA) has been performed, in which the characteristics of pre and post-operative CTA scans have been evaluated. Thirdly, Deep Learning techniques for medical image segmentation have been studied, introducing the concept of Convolutional Neural Network. Then, the materials and methodology carried out for the implementation of the algorithm has been developed, describing the characteristics of the network and the dataset, emphasizing on the generation of the ground truth mask and the consideration of uncertainty in the annotation process. Once the predictions of the volumes have been obtained, their evaluation has been performed using Jaccard Index and Hausdorff Distance scores. Finally, general conclusions about the obtained results and general overview of the project is presented.</subfield>
  </datafield>
7. <datafield ind1="8" ind2=" " tag="024">
  1. <subfield code="a">https://academica-e.unavarra.es/handle/2454/39558</subfield>
  </datafield>
8. <datafield ind1=" " ind2=" " tag="653">
  1. <subfield code="a">Aneurisma de Aorta Abdominal (AAA)</subfield>
  </datafield>
9. <datafield ind1=" " ind2=" " tag="653">
  1. <subfield code="a">Monitorización</subfield>
  </datafield>
10. <datafield ind1=" " ind2=" " tag="653">
  1. <subfield code="a">Tomografía</subfield>
  </datafield>
11. <datafield ind1=" " ind2=" " tag="653">
  1. <subfield code="a">Computerizada de Angiografía (CTA)</subfield>
  </datafield>
12. <datafield ind1=" " ind2=" " tag="653">
  1. <subfield code="a">Segmentación</subfield>
  </datafield>
13. <datafield ind1=" " ind2=" " tag="653">
  1. <subfield code="a">Red Neuronal Convolucional (CNN)</subfield>
  </datafield>
14. <datafield ind1=" " ind2=" " tag="653">
  1. <subfield code="a">Abdominal Aortic Aneurysm (AAA)</subfield>
  </datafield>
15. <datafield ind1=" " ind2=" " tag="653">
  1. <subfield code="a">Surveillance</subfield>
  </datafield>
16. <datafield ind1=" " ind2=" " tag="653">
  1. <subfield code="a">Computerized Tomography Angiography (CTA)</subfield>
  </datafield>
17. <datafield ind1=" " ind2=" " tag="653">
  1. <subfield code="a">Segmentation</subfield>
  </datafield>
18. <datafield ind1=" " ind2=" " tag="653">
  1. <subfield code="a">Convolutional Neural Network (CNN)</subfield>
  </datafield>
19. <datafield ind1="0" ind2="0" tag="245">
  1. <subfield code="a">3D Multi-class CNN implementation for abdominal aortic aneurysm segmentation</subfield>
  </datafield>
</record>

mets

Download XML

<?xml version="1.0" encoding="UTF-8" ?>

<mets ID=" DSpace_ITEM_2454-39558" OBJID=" hdl:2454/39558" PROFILE="DSpace METS SIP Profile 1.0" TYPE="DSpace ITEM" schemaLocation="http://www.loc.gov/METS/ http://www.loc.gov/standards/mets/mets.xsd">
1. <metsHdr CREATEDATE="2025-03-05T03:33:34Z">
  1. <agent ROLE="CUSTODIAN" TYPE="ORGANIZATION">
    1. <name>Academica-e</name>
    </agent>
  </metsHdr>
2. <dmdSec ID="DMD_2454_39558">
  1. <mdWrap MDTYPE="MODS">
    1. <xmlData schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-1.xsd">
      1. <mods:mods schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-1.xsd">
        <mods:name>
        <mods:role>
        <mods:roleTerm type="text">author</mods:roleTerm>
        </mods:role>
        <mods:namePart>Oyarzun Domeño, Anne</mods:namePart>
        </mods:name>
        <mods:name>
        <mods:role>
        <mods:roleTerm type="text">advisorTFE</mods:roleTerm>
        </mods:role>
        <mods:namePart>Cabeza Laguna, Rafael</mods:namePart>
        </mods:name>
        <mods:name>
        <mods:role>
        <mods:roleTerm type="text">affiliation</mods:roleTerm>
        </mods:role>
        <mods:namePart>Escuela Técnica Superior de Ingeniería Industrial, Informática y de Telecomunicación</mods:namePart>
        </mods:name>
        <mods:name>
        <mods:role>
        <mods:roleTerm type="text">affiliation</mods:roleTerm>
        </mods:role>
        <mods:namePart>Industria, Informatika eta Telekomunikazio Ingeniaritzako Goi Mailako Eskola Teknikoa</mods:namePart>
        </mods:name>
        <mods:originInfo>
        <mods:dateIssued encoding="iso8601">2021</mods:dateIssued>
        </mods:originInfo>
        <mods:identifier type="uri">https://academica-e.unavarra.es/handle/2454/39558</mods:identifier>
        <mods:abstract>El Aneurisma de Aorta Abdominal (AAA) es una dilatación progresiva de la aorta abdominal producida por el debilitamiento y la degradación de la región. Es una condición que compromete a la vida y requiere constante monitorización y tratamiento, en la mayoría de los casos. El procedimiento más común es la Reparación Endovascular (en inglés, EVAR), que consiste en la colocación de un stent a través de un catéter. A pesar de los grandes avances en torno a esta técnica, existe una falta de estandarización en cuanto a la determinación del grado y ratio de progresión de la patología. Este proyecto tiene como objetivo la implementación de un algoritmo de segmentación automática, que pueda ser ´útil en la monitorización de la patología. En primer lugar, se ha realizado un estudio del caso clínico del AAA y de su tratamiento, y se han analizado las principales necesidades clínicas que han motivado el desarrollo de herramientas automáticas. En segundo lugar, se han estudiado las características de las Tomografías Computerizadas de Angiografía (en inglés, CTA), y las principales diferencias que presentan los estudio pre y post-operatorios. En tercer lugar, se han descritos algunas técnicas de Aprendizaje Profundo para la segmentación de imágenes médicas y se ha introducido el concepto de Redes Neuronales Convolucionales. En cuarto lugar, se ha analizado el conjunto de volúmenes disponibles y se han generado las máscaras para el entrenamiento. Una vez obtenidos los resultados de la segmentación, se han utilizado métricas como el Índice de Jaccard y la Distancia de Hausdorff para su evaluación. Finalmente, se han expuesto las conclusiones generales obtenidas tras la implementación del algoritmo automático.</mods:abstract>
        <mods:abstract>An Abdominal Aortic Aneurysm (AAA) is a progressive dilation produced as a consequence of the weakening and degradation of the abdominal region of the aorta. It is a life-threatening condition which requires monitoring and treatment, in the majority of cases. The most common procedure for AAA’s treatment is the Endovascular Aneurysm Repair (EVAR), which involves the insertion of a stent graft in the aneurysm through a catheter. Despite the great progression of the technique, there is a lack of standardization in terms of determining the degree and rate of disease progression. This project aims at providing an automatic aneurysm segmentation algorithm, that would let the evaluation of the AAA surveillance. Firstly, the clinical framework regarding the AAA, the EVAR procedure and its complications have been studied, focusing on the main unfulfilled clinical needs. Secondly, a deep analysis into Computerized Tomography Angiography (CTA) has been performed, in which the characteristics of pre and post-operative CTA scans have been evaluated. Thirdly, Deep Learning techniques for medical image segmentation have been studied, introducing the concept of Convolutional Neural Network. Then, the materials and methodology carried out for the implementation of the algorithm has been developed, describing the characteristics of the network and the dataset, emphasizing on the generation of the ground truth mask and the consideration of uncertainty in the annotation process. Once the predictions of the volumes have been obtained, their evaluation has been performed using Jaccard Index and Hausdorff Distance scores. Finally, general conclusions about the obtained results and general overview of the project is presented.</mods:abstract>
        <mods:language>
        <mods:languageTerm authority="rfc3066">spa</mods:languageTerm>
        </mods:language>
        <mods:accessCondition type="useAndReproduction" />
        <mods:subject>
        <mods:topic>Aneurisma de Aorta Abdominal (AAA)</mods:topic>
        </mods:subject>
        <mods:subject>
        <mods:topic>Monitorización</mods:topic>
        </mods:subject>
        <mods:subject>
        <mods:topic>Tomografía</mods:topic>
        </mods:subject>
        <mods:subject>
        <mods:topic>Computerizada de Angiografía (CTA)</mods:topic>
        </mods:subject>
        <mods:subject>
        <mods:topic>Segmentación</mods:topic>
        </mods:subject>
        <mods:subject>
        <mods:topic>Red Neuronal Convolucional (CNN)</mods:topic>
        </mods:subject>
        <mods:subject>
        <mods:topic>Abdominal Aortic Aneurysm (AAA)</mods:topic>
        </mods:subject>
        <mods:subject>
        <mods:topic>Surveillance</mods:topic>
        </mods:subject>
        <mods:subject>
        <mods:topic>Computerized Tomography Angiography (CTA)</mods:topic>
        </mods:subject>
        <mods:subject>
        <mods:topic>Segmentation</mods:topic>
        </mods:subject>
        <mods:subject>
        <mods:topic>Convolutional Neural Network (CNN)</mods:topic>
        </mods:subject>
        <mods:titleInfo>
        <mods:title>3D Multi-class CNN implementation for abdominal aortic aneurysm segmentation</mods:title>
        </mods:titleInfo>
        <mods:genre>info:eu-repo/semantics/masterThesis</mods:genre>
        </mods:mods>
      </xmlData>
    </mdWrap>
  </dmdSec>
3. <amdSec ID="TMD_2454_39558">
  1. <rightsMD ID="RIG_2454_39558">
    1. <mdWrap MDTYPE="OTHER" MIMETYPE="text/plain" OTHERMDTYPE="DSpaceDepositLicense">
      1. <binData>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</binData>
      </mdWrap>
    </rightsMD>
  </amdSec>
4. <amdSec ID="FO_2454_39558_1">
  1. <techMD ID="TECH_O_2454_39558_1">
    1. <mdWrap MDTYPE="PREMIS">
      1. <xmlData schemaLocation="http://www.loc.gov/standards/premis http://www.loc.gov/standards/premis/PREMIS-v1-0.xsd">
        <premis:premis>
        <premis:object>
        <premis:objectIdentifier>
        <premis:objectIdentifierType>URL</premis:objectIdentifierType>
        <premis:objectIdentifierValue>https://academica-e.unavarra.es/bitstreams/cecfdb60-fd60-4563-bfa8-16775824f289/download</premis:objectIdentifierValue>
        </premis:objectIdentifier>
        <premis:objectCategory>File</premis:objectCategory>
        <premis:objectCharacteristics>
        <premis:fixity>
        <premis:messageDigestAlgorithm>MD5</premis:messageDigestAlgorithm>
        <premis:messageDigest>99cb75cf3d34252a9739378a43b809db</premis:messageDigest>
        </premis:fixity>
        <premis:size>13797709</premis:size>
        <premis:format>
        <premis:formatDesignation>
        <premis:formatName>application/pdf</premis:formatName>
        </premis:formatDesignation>
        </premis:format>
        </premis:objectCharacteristics>
        <premis:originalName>OyarzunA_3D-Multi-Class-CNN-Implementation-for-Abdominal-Aortic-Aneurysm-Segmentation.pdf</premis:originalName>
        </premis:object>
        </premis:premis>
        </xmlData>
      </mdWrap>
    </techMD>
  </amdSec>
5. <amdSec ID="FT_2454_39558_4">
  1. <techMD ID="TECH_T_2454_39558_4">
    1. <mdWrap MDTYPE="PREMIS">
      1. <xmlData schemaLocation="http://www.loc.gov/standards/premis http://www.loc.gov/standards/premis/PREMIS-v1-0.xsd">
        <premis:premis>
        <premis:object>
        <premis:objectIdentifier>
        <premis:objectIdentifierType>URL</premis:objectIdentifierType>
        <premis:objectIdentifierValue>https://academica-e.unavarra.es/bitstreams/e7ce7ce2-b5fa-4b8f-8f12-73f86960fb78/download</premis:objectIdentifierValue>
        </premis:objectIdentifier>
        <premis:objectCategory>File</premis:objectCategory>
        <premis:objectCharacteristics>
        <premis:fixity>
        <premis:messageDigestAlgorithm>MD5</premis:messageDigestAlgorithm>
        <premis:messageDigest>7cb5f50ae32539567589551e832ac086</premis:messageDigest>
        </premis:fixity>
        <premis:size>211801</premis:size>
        <premis:format>
        <premis:formatDesignation>
        <premis:formatName>text/plain</premis:formatName>
        </premis:formatDesignation>
        </premis:format>
        </premis:objectCharacteristics>
        <premis:originalName>OyarzunA_3D-Multi-Class-CNN-Implementation-for-Abdominal-Aortic-Aneurysm-Segmentation.pdf.txt</premis:originalName>
        </premis:object>
        </premis:premis>
        </xmlData>
      </mdWrap>
    </techMD>
  </amdSec>
6. <fileSec>
  1. <fileGrp USE="ORIGINAL">
    1. <file ADMID="FO_2454_39558_1" CHECKSUM="99cb75cf3d34252a9739378a43b809db" CHECKSUMTYPE="MD5" GROUPID="GROUP_BITSTREAM_2454_39558_1" ID="BITSTREAM_ORIGINAL_2454_39558_1" MIMETYPE="application/pdf" SEQ="1" SIZE="13797709">
      1. <FLocat LOCTYPE="URL" href="https://academica-e.unavarra.es/bitstreams/cecfdb60-fd60-4563-bfa8-16775824f289/download" type="simple" />
      </file>
    </fileGrp>
  2. <fileGrp USE="TEXT">
    1. <file ADMID="FT_2454_39558_4" CHECKSUM="7cb5f50ae32539567589551e832ac086" CHECKSUMTYPE="MD5" GROUPID="GROUP_BITSTREAM_2454_39558_4" ID="BITSTREAM_TEXT_2454_39558_4" MIMETYPE="text/plain" SEQ="4" SIZE="211801">
      1. <FLocat LOCTYPE="URL" href="https://academica-e.unavarra.es/bitstreams/e7ce7ce2-b5fa-4b8f-8f12-73f86960fb78/download" type="simple" />
      </file>
    </fileGrp>
  </fileSec>
7. <structMap LABEL="DSpace Object" TYPE="LOGICAL">
  1. <div ADMID="DMD_2454_39558" TYPE="DSpace Object Contents">
    1. <div TYPE="DSpace BITSTREAM">
      1. <fptr FILEID="BITSTREAM_ORIGINAL_2454_39558_1" />
      </div>
    </div>
  </structMap>
</mets>

mods

Download XML

<?xml version="1.0" encoding="UTF-8" ?>

<mods:mods schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-1.xsd">
1. <mods:name>
  1. <mods:namePart>Oyarzun Domeño, Anne</mods:namePart>
  </mods:name>
2. <mods:originInfo>
  1. <mods:dateIssued encoding="iso8601">2021</mods:dateIssued>
  </mods:originInfo>
3. <mods:identifier type="uri">https://academica-e.unavarra.es/handle/2454/39558</mods:identifier>
4. <mods:abstract>El Aneurisma de Aorta Abdominal (AAA) es una dilatación progresiva de la aorta abdominal producida por el debilitamiento y la degradación de la región. Es una condición que compromete a la vida y requiere constante monitorización y tratamiento, en la mayoría de los casos. El procedimiento más común es la Reparación Endovascular (en inglés, EVAR), que consiste en la colocación de un stent a través de un catéter. A pesar de los grandes avances en torno a esta técnica, existe una falta de estandarización en cuanto a la determinación del grado y ratio de progresión de la patología. Este proyecto tiene como objetivo la implementación de un algoritmo de segmentación automática, que pueda ser ´útil en la monitorización de la patología. En primer lugar, se ha realizado un estudio del caso clínico del AAA y de su tratamiento, y se han analizado las principales necesidades clínicas que han motivado el desarrollo de herramientas automáticas. En segundo lugar, se han estudiado las características de las Tomografías Computerizadas de Angiografía (en inglés, CTA), y las principales diferencias que presentan los estudio pre y post-operatorios. En tercer lugar, se han descritos algunas técnicas de Aprendizaje Profundo para la segmentación de imágenes médicas y se ha introducido el concepto de Redes Neuronales Convolucionales. En cuarto lugar, se ha analizado el conjunto de volúmenes disponibles y se han generado las máscaras para el entrenamiento. Una vez obtenidos los resultados de la segmentación, se han utilizado métricas como el Índice de Jaccard y la Distancia de Hausdorff para su evaluación. Finalmente, se han expuesto las conclusiones generales obtenidas tras la implementación del algoritmo automático.</mods:abstract>
5. <mods:abstract>An Abdominal Aortic Aneurysm (AAA) is a progressive dilation produced as a consequence of the weakening and degradation of the abdominal region of the aorta. It is a life-threatening condition which requires monitoring and treatment, in the majority of cases. The most common procedure for AAA’s treatment is the Endovascular Aneurysm Repair (EVAR), which involves the insertion of a stent graft in the aneurysm through a catheter. Despite the great progression of the technique, there is a lack of standardization in terms of determining the degree and rate of disease progression. This project aims at providing an automatic aneurysm segmentation algorithm, that would let the evaluation of the AAA surveillance. Firstly, the clinical framework regarding the AAA, the EVAR procedure and its complications have been studied, focusing on the main unfulfilled clinical needs. Secondly, a deep analysis into Computerized Tomography Angiography (CTA) has been performed, in which the characteristics of pre and post-operative CTA scans have been evaluated. Thirdly, Deep Learning techniques for medical image segmentation have been studied, introducing the concept of Convolutional Neural Network. Then, the materials and methodology carried out for the implementation of the algorithm has been developed, describing the characteristics of the network and the dataset, emphasizing on the generation of the ground truth mask and the consideration of uncertainty in the annotation process. Once the predictions of the volumes have been obtained, their evaluation has been performed using Jaccard Index and Hausdorff Distance scores. Finally, general conclusions about the obtained results and general overview of the project is presented.</mods:abstract>
6. <mods:language>
  1. <mods:languageTerm>spa</mods:languageTerm>
  </mods:language>
7. <mods:accessCondition type="useAndReproduction">info:eu-repo/semantics/openAccess</mods:accessCondition>
8. <mods:subject>
  1. <mods:topic>Aneurisma de Aorta Abdominal (AAA)</mods:topic>
  </mods:subject>
9. <mods:subject>
  1. <mods:topic>Monitorización</mods:topic>
  </mods:subject>
10. <mods:subject>
  1. <mods:topic>Tomografía</mods:topic>
  </mods:subject>
11. <mods:subject>
  1. <mods:topic>Computerizada de Angiografía (CTA)</mods:topic>
  </mods:subject>
12. <mods:subject>
  1. <mods:topic>Segmentación</mods:topic>
  </mods:subject>
13. <mods:subject>
  1. <mods:topic>Red Neuronal Convolucional (CNN)</mods:topic>
  </mods:subject>
14. <mods:subject>
  1. <mods:topic>Abdominal Aortic Aneurysm (AAA)</mods:topic>
  </mods:subject>
15. <mods:subject>
  1. <mods:topic>Surveillance</mods:topic>
  </mods:subject>
16. <mods:subject>
  1. <mods:topic>Computerized Tomography Angiography (CTA)</mods:topic>
  </mods:subject>
17. <mods:subject>
  1. <mods:topic>Segmentation</mods:topic>
  </mods:subject>
18. <mods:subject>
  1. <mods:topic>Convolutional Neural Network (CNN)</mods:topic>
  </mods:subject>
19. <mods:titleInfo>
  1. <mods:title>3D Multi-class CNN implementation for abdominal aortic aneurysm segmentation</mods:title>
  </mods:titleInfo>
20. <mods:genre>info:eu-repo/semantics/masterThesis</mods:genre>
</mods:mods>

oai_openaire

Download XML

<?xml version="1.0" encoding="UTF-8" ?>

<oaire:resource schemaLocation="http://namespace.openaire.eu/schema/oaire/ https://www.openaire.eu/schema/repo-lit/4.0/openaire.xsd">
1. <datacite:titles>
  1. <datacite:title lang="en">3D Multi-class CNN implementation for abdominal aortic aneurysm segmentation</datacite:title>
  </datacite:titles>
2. <datacite:creators>
  1. <datacite:creator>
    1. <datacite:creatorName>Oyarzun Domeño, Anne</datacite:creatorName>
    </datacite:creator>
  </datacite:creators>
3. <datacite:contributors>
  1. <datacite:contributor>
    1. <datacite:contributorName>Cabeza Laguna, Rafael</datacite:contributorName>
    </datacite:contributor>
  2. <datacite:contributor>
    1. <datacite:contributorName>Escuela Técnica Superior de Ingeniería Industrial, Informática y de Telecomunicación</datacite:contributorName>
    </datacite:contributor>
  3. <datacite:contributor>
    1. <datacite:contributorName>Industria, Informatika eta Telekomunikazio Ingeniaritzako Goi Mailako Eskola Teknikoa</datacite:contributorName>
    </datacite:contributor>
  4. <datacite:contributor contributorType="HostingInstitution">
    1. <datacite:contributorName nameType="Organizational">Academica-e</datacite:contributorName>
    2. <datacite:nameIdentifier nameIdentifierScheme="e-mail" schemeURI="mailto:academica-e@unavarra.es">academica-e@unavarra.es</datacite:nameIdentifier>
    </datacite:contributor>
  </datacite:contributors>
4. <datacite:relatedIdentifiers />
5. <datacite:dates>
  1. <datacite:date dateType="Accepted">2021</datacite:date>
  2. <datacite:date dateType="Issued">2021</datacite:date>
  </datacite:dates>
6. <dc:language>spa</dc:language>
7. <oaire:resourceType resourceTypeGeneral="literature" uri="http://purl.org/coar/resource_type/c_bdcc">master thesis</oaire:resourceType>
8. <dc:description lang="es_ES">El Aneurisma de Aorta Abdominal (AAA) es una dilatación progresiva de la aorta abdominal producida por el debilitamiento y la degradación de la región. Es una condición que compromete a la vida y requiere constante monitorización y tratamiento, en la mayoría de los casos. El procedimiento más común es la Reparación Endovascular (en inglés, EVAR), que consiste en la colocación de un stent a través de un catéter. A pesar de los grandes avances en torno a esta técnica, existe una falta de estandarización en cuanto a la determinación del grado y ratio de progresión de la patología. Este proyecto tiene como objetivo la implementación de un algoritmo de segmentación automática, que pueda ser ´útil en la monitorización de la patología. En primer lugar, se ha realizado un estudio del caso clínico del AAA y de su tratamiento, y se han analizado las principales necesidades clínicas que han motivado el desarrollo de herramientas automáticas. En segundo lugar, se han estudiado las características de las Tomografías Computerizadas de Angiografía (en inglés, CTA), y las principales diferencias que presentan los estudio pre y post-operatorios. En tercer lugar, se han descritos algunas técnicas de Aprendizaje Profundo para la segmentación de imágenes médicas y se ha introducido el concepto de Redes Neuronales Convolucionales. En cuarto lugar, se ha analizado el conjunto de volúmenes disponibles y se han generado las máscaras para el entrenamiento. Una vez obtenidos los resultados de la segmentación, se han utilizado métricas como el Índice de Jaccard y la Distancia de Hausdorff para su evaluación. Finalmente, se han expuesto las conclusiones generales obtenidas tras la implementación del algoritmo automático.</dc:description>
9. <dc:description lang="en">An Abdominal Aortic Aneurysm (AAA) is a progressive dilation produced as a consequence of the weakening and degradation of the abdominal region of the aorta. It is a life-threatening condition which requires monitoring and treatment, in the majority of cases. The most common procedure for AAA’s treatment is the Endovascular Aneurysm Repair (EVAR), which involves the insertion of a stent graft in the aneurysm through a catheter. Despite the great progression of the technique, there is a lack of standardization in terms of determining the degree and rate of disease progression. This project aims at providing an automatic aneurysm segmentation algorithm, that would let the evaluation of the AAA surveillance. Firstly, the clinical framework regarding the AAA, the EVAR procedure and its complications have been studied, focusing on the main unfulfilled clinical needs. Secondly, a deep analysis into Computerized Tomography Angiography (CTA) has been performed, in which the characteristics of pre and post-operative CTA scans have been evaluated. Thirdly, Deep Learning techniques for medical image segmentation have been studied, introducing the concept of Convolutional Neural Network. Then, the materials and methodology carried out for the implementation of the algorithm has been developed, describing the characteristics of the network and the dataset, emphasizing on the generation of the ground truth mask and the consideration of uncertainty in the annotation process. Once the predictions of the volumes have been obtained, their evaluation has been performed using Jaccard Index and Hausdorff Distance scores. Finally, general conclusions about the obtained results and general overview of the project is presented.</dc:description>
10. <dc:format>application/pdf</dc:format>
11. <datacite:identifier identifierType="URL">https://academica-e.unavarra.es/handle/2454/39558</datacite:identifier>
12. <datacite:rights rightsURI="http://purl.org/coar/access_right/c_abf2">open access</datacite:rights>
13. <datacite:subjects>
  1. <datacite:subject>Aneurisma de Aorta Abdominal (AAA)</datacite:subject>
  2. <datacite:subject>Monitorización</datacite:subject>
  3. <datacite:subject>Tomografía</datacite:subject>
  4. <datacite:subject>Computerizada de Angiografía (CTA)</datacite:subject>
  5. <datacite:subject>Segmentación</datacite:subject>
  6. <datacite:subject>Red Neuronal Convolucional (CNN)</datacite:subject>
  7. <datacite:subject>Abdominal Aortic Aneurysm (AAA)</datacite:subject>
  8. <datacite:subject>Surveillance</datacite:subject>
  9. <datacite:subject>Computerized Tomography Angiography (CTA)</datacite:subject>
  10. <datacite:subject>Segmentation</datacite:subject>
  11. <datacite:subject>Convolutional Neural Network (CNN)</datacite:subject>
  </datacite:subjects>
14. <datacite:sizes />
15. <datacite:sizes />
16. <datacite:sizes>
  1. <datacite:size>13797709 bytes</datacite:size>
  </datacite:sizes>
17. <datacite:sizes />
18. <datacite:sizes />
19. <oaire:file accessRightsURI="http://purl.org/coar/access_right/c_abf2" mimeType="application/pdf" objectType="fulltext">https://academica-e.unavarra.es/bitstreams/cecfdb60-fd60-4563-bfa8-16775824f289/download</oaire:file>
</oaire:resource>

ore

Download XML

<?xml version="1.0" encoding="UTF-8" ?>

<atom:entry schemaLocation="http://www.w3.org/2005/Atom http://www.kbcafe.com/rss/atom.xsd.xml">
1. <atom:id>https://academica-e.unavarra.es/handle/2454/39558/ore.xml</atom:id>
2. <atom:link href="https://academica-e.unavarra.es/handle/2454/39558" rel="alternate" />
3. <atom:link href="https://academica-e.unavarra.es/handle/2454/39558/ore.xml" rel="http://www.openarchives.org/ore/terms/describes" />
4. <atom:link href="https://academica-e.unavarra.es/handle/2454/39558/ore.xml#atom" rel="self" type="application/atom+xml" />
5. <atom:published />
6. <atom:updated />
7. <atom:source>
  1. <atom:generator>Academica-e</atom:generator>
  </atom:source>
8. <atom:title>3D Multi-class CNN implementation for abdominal aortic aneurysm segmentation</atom:title>
9. <atom:author>
  1. <atom:name>Oyarzun Domeño, Anne</atom:name>
  </atom:author>
10. <atom:category label="Aggregation" scheme="http://www.openarchives.org/ore/terms/" term="http://www.openarchives.org/ore/terms/Aggregation" />
11. <atom:category scheme="http://www.openarchives.org/ore/atom/modified" term="" />
12. <atom:category label="DSpace Item" scheme="http://www.dspace.org/objectModel/" term="DSpaceItem" />
13. <atom:link href="https://academica-e.unavarra.es/bitstreams/cecfdb60-fd60-4563-bfa8-16775824f289/download" length="13797709" rel="http://www.openarchives.org/ore/terms/aggregates" title="OyarzunA_3D-Multi-Class-CNN-Implementation-for-Abdominal-Aortic-Aneurysm-Segmentation.pdf" type="application/pdf" />
14. <oreatom:triples>
  1. <rdf:Description about="https://academica-e.unavarra.es/handle/2454/39558/ore.xml#atom">
    1. <rdf:type resource="http://www.dspace.org/objectModel/DSpaceItem" />
    2. <dcterms:modified />
    </rdf:Description>
  2. <rdf:Description about="https://academica-e.unavarra.es/bitstreams/e7ce7ce2-b5fa-4b8f-8f12-73f86960fb78/download">
    1. <rdf:type resource="http://www.dspace.org/objectModel/DSpaceBitstream" />
    2. <dcterms:description>TEXT</dcterms:description>
    </rdf:Description>
  3. <rdf:Description about="https://academica-e.unavarra.es/bitstreams/1ef9f23f-bd81-4bc7-bd1e-e8b9787f6317/download">
    1. <rdf:type resource="http://www.dspace.org/objectModel/DSpaceBitstream" />
    2. <dcterms:description>THUMBNAIL</dcterms:description>
    </rdf:Description>
  4. <rdf:Description about="https://academica-e.unavarra.es/bitstreams/cecfdb60-fd60-4563-bfa8-16775824f289/download">
    1. <rdf:type resource="http://www.dspace.org/objectModel/DSpaceBitstream" />
    2. <dcterms:description>ORIGINAL</dcterms:description>
    </rdf:Description>
  5. <rdf:Description about="https://academica-e.unavarra.es/bitstreams/649a065c-f548-4dcd-81f6-7dfaa2558637/download">
    1. <rdf:type resource="http://www.dspace.org/objectModel/DSpaceBitstream" />
    2. <dcterms:description>LICENSE</dcterms:description>
    </rdf:Description>
  6. <rdf:Description about="https://academica-e.unavarra.es/bitstreams/a19e9b7e-4a3e-412a-9fab-d2f2f90d58b6/download">
    1. <rdf:type resource="http://www.dspace.org/objectModel/DSpaceBitstream" />
    2. <dcterms:description>SWORD</dcterms:description>
    </rdf:Description>
  </oreatom:triples>
</atom:entry>

qdc

Download XML

<?xml version="1.0" encoding="UTF-8" ?>

<qdc:qualifieddc schemaLocation="http://purl.org/dc/elements/1.1/ http://dublincore.org/schemas/xmls/qdc/2006/01/06/dc.xsd http://purl.org/dc/terms/ http://dublincore.org/schemas/xmls/qdc/2006/01/06/dcterms.xsd http://dspace.org/qualifieddc/ http://www.ukoln.ac.uk/metadata/dcmi/xmlschema/qualifieddc.xsd">
1. <dc:title>3D Multi-class CNN implementation for abdominal aortic aneurysm segmentation</dc:title>
2. <dc:creator>Oyarzun Domeño, Anne</dc:creator>
3. <dc:contributor>Cabeza Laguna, Rafael</dc:contributor>
4. <dc:contributor>Escuela Técnica Superior de Ingeniería Industrial, Informática y de Telecomunicación</dc:contributor>
5. <dc:contributor>Industria, Informatika eta Telekomunikazio Ingeniaritzako Goi Mailako Eskola Teknikoa</dc:contributor>
6. <dc:subject>Aneurisma de Aorta Abdominal (AAA)</dc:subject>
7. <dc:subject>Monitorización</dc:subject>
8. <dc:subject>Tomografía</dc:subject>
9. <dc:subject>Computerizada de Angiografía (CTA)</dc:subject>
10. <dc:subject>Segmentación</dc:subject>
11. <dc:subject>Red Neuronal Convolucional (CNN)</dc:subject>
12. <dc:subject>Abdominal Aortic Aneurysm (AAA)</dc:subject>
13. <dc:subject>Surveillance</dc:subject>
14. <dc:subject>Computerized Tomography Angiography (CTA)</dc:subject>
15. <dc:subject>Segmentation</dc:subject>
16. <dc:subject>Convolutional Neural Network (CNN)</dc:subject>
17. <dcterms:abstract>El Aneurisma de Aorta Abdominal (AAA) es una dilatación progresiva de la aorta abdominal producida por el debilitamiento y la degradación de la región. Es una condición que compromete a la vida y requiere constante monitorización y tratamiento, en la mayoría de los casos. El procedimiento más común es la Reparación Endovascular (en inglés, EVAR), que consiste en la colocación de un stent a través de un catéter. A pesar de los grandes avances en torno a esta técnica, existe una falta de estandarización en cuanto a la determinación del grado y ratio de progresión de la patología. Este proyecto tiene como objetivo la implementación de un algoritmo de segmentación automática, que pueda ser ´útil en la monitorización de la patología. En primer lugar, se ha realizado un estudio del caso clínico del AAA y de su tratamiento, y se han analizado las principales necesidades clínicas que han motivado el desarrollo de herramientas automáticas. En segundo lugar, se han estudiado las características de las Tomografías Computerizadas de Angiografía (en inglés, CTA), y las principales diferencias que presentan los estudio pre y post-operatorios. En tercer lugar, se han descritos algunas técnicas de Aprendizaje Profundo para la segmentación de imágenes médicas y se ha introducido el concepto de Redes Neuronales Convolucionales. En cuarto lugar, se ha analizado el conjunto de volúmenes disponibles y se han generado las máscaras para el entrenamiento. Una vez obtenidos los resultados de la segmentación, se han utilizado métricas como el Índice de Jaccard y la Distancia de Hausdorff para su evaluación. Finalmente, se han expuesto las conclusiones generales obtenidas tras la implementación del algoritmo automático.</dcterms:abstract>
18. <dcterms:abstract>An Abdominal Aortic Aneurysm (AAA) is a progressive dilation produced as a consequence of the weakening and degradation of the abdominal region of the aorta. It is a life-threatening condition which requires monitoring and treatment, in the majority of cases. The most common procedure for AAA’s treatment is the Endovascular Aneurysm Repair (EVAR), which involves the insertion of a stent graft in the aneurysm through a catheter. Despite the great progression of the technique, there is a lack of standardization in terms of determining the degree and rate of disease progression. This project aims at providing an automatic aneurysm segmentation algorithm, that would let the evaluation of the AAA surveillance. Firstly, the clinical framework regarding the AAA, the EVAR procedure and its complications have been studied, focusing on the main unfulfilled clinical needs. Secondly, a deep analysis into Computerized Tomography Angiography (CTA) has been performed, in which the characteristics of pre and post-operative CTA scans have been evaluated. Thirdly, Deep Learning techniques for medical image segmentation have been studied, introducing the concept of Convolutional Neural Network. Then, the materials and methodology carried out for the implementation of the algorithm has been developed, describing the characteristics of the network and the dataset, emphasizing on the generation of the ground truth mask and the consideration of uncertainty in the annotation process. Once the predictions of the volumes have been obtained, their evaluation has been performed using Jaccard Index and Hausdorff Distance scores. Finally, general conclusions about the obtained results and general overview of the project is presented.</dcterms:abstract>
19. <dcterms:issued>2021</dcterms:issued>
20. <dc:type>info:eu-repo/semantics/masterThesis</dc:type>
21. <dc:identifier>https://academica-e.unavarra.es/handle/2454/39558</dc:identifier>
22. <dc:language>spa</dc:language>
23. <dc:rights>info:eu-repo/semantics/openAccess</dc:rights>
</qdc:qualifieddc>

rdf

Download XML

<?xml version="1.0" encoding="UTF-8" ?>

<rdf:RDF schemaLocation="http://www.openarchives.org/OAI/2.0/rdf/ http://www.openarchives.org/OAI/2.0/rdf.xsd">
1. <ow:Publication about="oai:academica-e.unavarra.es:2454/39558">
  1. <dc:title>3D Multi-class CNN implementation for abdominal aortic aneurysm segmentation</dc:title>
  2. <dc:creator>Oyarzun Domeño, Anne</dc:creator>
  3. <dc:contributor>Cabeza Laguna, Rafael</dc:contributor>
  4. <dc:contributor>Escuela Técnica Superior de Ingeniería Industrial, Informática y de Telecomunicación</dc:contributor>
  5. <dc:contributor>Industria, Informatika eta Telekomunikazio Ingeniaritzako Goi Mailako Eskola Teknikoa</dc:contributor>
  6. <dc:subject>Aneurisma de Aorta Abdominal (AAA)</dc:subject>
  7. <dc:subject>Monitorización</dc:subject>
  8. <dc:subject>Tomografía</dc:subject>
  9. <dc:subject>Computerizada de Angiografía (CTA)</dc:subject>
  10. <dc:subject>Segmentación</dc:subject>
  11. <dc:subject>Red Neuronal Convolucional (CNN)</dc:subject>
  12. <dc:subject>Abdominal Aortic Aneurysm (AAA)</dc:subject>
  13. <dc:subject>Surveillance</dc:subject>
  14. <dc:subject>Computerized Tomography Angiography (CTA)</dc:subject>
  15. <dc:subject>Segmentation</dc:subject>
  16. <dc:subject>Convolutional Neural Network (CNN)</dc:subject>
  17. <dc:description>El Aneurisma de Aorta Abdominal (AAA) es una dilatación progresiva de la aorta abdominal producida por el debilitamiento y la degradación de la región. Es una condición que compromete a la vida y requiere constante monitorización y tratamiento, en la mayoría de los casos. El procedimiento más común es la Reparación Endovascular (en inglés, EVAR), que consiste en la colocación de un stent a través de un catéter. A pesar de los grandes avances en torno a esta técnica, existe una falta de estandarización en cuanto a la determinación del grado y ratio de progresión de la patología. Este proyecto tiene como objetivo la implementación de un algoritmo de segmentación automática, que pueda ser ´útil en la monitorización de la patología. En primer lugar, se ha realizado un estudio del caso clínico del AAA y de su tratamiento, y se han analizado las principales necesidades clínicas que han motivado el desarrollo de herramientas automáticas. En segundo lugar, se han estudiado las características de las Tomografías Computerizadas de Angiografía (en inglés, CTA), y las principales diferencias que presentan los estudio pre y post-operatorios. En tercer lugar, se han descritos algunas técnicas de Aprendizaje Profundo para la segmentación de imágenes médicas y se ha introducido el concepto de Redes Neuronales Convolucionales. En cuarto lugar, se ha analizado el conjunto de volúmenes disponibles y se han generado las máscaras para el entrenamiento. Una vez obtenidos los resultados de la segmentación, se han utilizado métricas como el Índice de Jaccard y la Distancia de Hausdorff para su evaluación. Finalmente, se han expuesto las conclusiones generales obtenidas tras la implementación del algoritmo automático.</dc:description>
  18. <dc:description>An Abdominal Aortic Aneurysm (AAA) is a progressive dilation produced as a consequence of the weakening and degradation of the abdominal region of the aorta. It is a life-threatening condition which requires monitoring and treatment, in the majority of cases. The most common procedure for AAA’s treatment is the Endovascular Aneurysm Repair (EVAR), which involves the insertion of a stent graft in the aneurysm through a catheter. Despite the great progression of the technique, there is a lack of standardization in terms of determining the degree and rate of disease progression. This project aims at providing an automatic aneurysm segmentation algorithm, that would let the evaluation of the AAA surveillance. Firstly, the clinical framework regarding the AAA, the EVAR procedure and its complications have been studied, focusing on the main unfulfilled clinical needs. Secondly, a deep analysis into Computerized Tomography Angiography (CTA) has been performed, in which the characteristics of pre and post-operative CTA scans have been evaluated. Thirdly, Deep Learning techniques for medical image segmentation have been studied, introducing the concept of Convolutional Neural Network. Then, the materials and methodology carried out for the implementation of the algorithm has been developed, describing the characteristics of the network and the dataset, emphasizing on the generation of the ground truth mask and the consideration of uncertainty in the annotation process. Once the predictions of the volumes have been obtained, their evaluation has been performed using Jaccard Index and Hausdorff Distance scores. Finally, general conclusions about the obtained results and general overview of the project is presented.</dc:description>
  19. <dc:date>2021</dc:date>
  20. <dc:type>info:eu-repo/semantics/masterThesis</dc:type>
  21. <dc:identifier>https://academica-e.unavarra.es/handle/2454/39558</dc:identifier>
  22. <dc:language>spa</dc:language>
  23. <dc:rights>info:eu-repo/semantics/openAccess</dc:rights>
  </ow:Publication>
</rdf:RDF>

xoai

Download XML

<?xml version="1.0" encoding="UTF-8" ?>

<metadata schemaLocation="http://www.lyncode.com/xoai http://www.lyncode.com/xsd/xoai.xsd">
1. <element name="dspace">
  1. <element name="entity">
    1. <element name="type">
      1. <element name="none">
        <field name="value">Publication</field>
        </element>
      </element>
    </element>
  </element>
2. <element name="dc">
  1. <element name="contributor">
    1. <element name="author">
      1. <element name="none">
        <field name="value">Oyarzun Domeño, Anne</field>
        <field name="authority">37064098-ee00-4204-b350-56455d3123b4</field>
        <field name="confidence">-1</field>
        </element>
      </element>
    2. <element name="advisorTFE">
      1. <element name="none">
        <field name="value">Cabeza Laguna, Rafael</field>
        </element>
      </element>
    3. <element name="affiliation">
      1. <element name="es_ES">
        <field name="value">Escuela Técnica Superior de Ingeniería Industrial, Informática y de Telecomunicación</field>
        </element>
      2. <element name="eu">
        <field name="value">Industria, Informatika eta Telekomunikazio Ingeniaritzako Goi Mailako Eskola Teknikoa</field>
        </element>
      </element>
    </element>
  2. <element name="date">
    1. <element name="issued">
      1. <element name="none">
        <field name="value">2021</field>
        </element>
      </element>
    </element>
  3. <element name="identifier">
    1. <element name="uri">
      1. <element name="none">
        <field name="value">https://academica-e.unavarra.es/handle/2454/39558</field>
        </element>
      </element>
    </element>
  4. <element name="description">
    1. <element name="abstract">
      1. <element name="es_ES">
        <field name="value">El Aneurisma de Aorta Abdominal (AAA) es una dilatación progresiva de la aorta abdominal producida por el debilitamiento y la degradación de la región. Es una condición que compromete a la vida y requiere constante monitorización y tratamiento, en la mayoría de los casos. El procedimiento más común es la Reparación Endovascular (en inglés, EVAR), que consiste en la colocación de un stent a través de un catéter. A pesar de los grandes avances en torno a esta técnica, existe una falta de estandarización en cuanto a la determinación del grado y ratio de progresión de la patología. Este proyecto tiene como objetivo la implementación de un algoritmo de segmentación automática, que pueda ser ´útil en la monitorización de la patología. En primer lugar, se ha realizado un estudio del caso clínico del AAA y de su tratamiento, y se han analizado las principales necesidades clínicas que han motivado el desarrollo de herramientas automáticas. En segundo lugar, se han estudiado las características de las Tomografías Computerizadas de Angiografía (en inglés, CTA), y las principales diferencias que presentan los estudio pre y post-operatorios. En tercer lugar, se han descritos algunas técnicas de Aprendizaje Profundo para la segmentación de imágenes médicas y se ha introducido el concepto de Redes Neuronales Convolucionales. En cuarto lugar, se ha analizado el conjunto de volúmenes disponibles y se han generado las máscaras para el entrenamiento. Una vez obtenidos los resultados de la segmentación, se han utilizado métricas como el Índice de Jaccard y la Distancia de Hausdorff para su evaluación. Finalmente, se han expuesto las conclusiones generales obtenidas tras la implementación del algoritmo automático.</field>
        </element>
      2. <element name="en">
        <field name="value">An Abdominal Aortic Aneurysm (AAA) is a progressive dilation produced as a consequence of the weakening and degradation of the abdominal region of the aorta. It is a life-threatening condition which requires monitoring and treatment, in the majority of cases. The most common procedure for AAA’s treatment is the Endovascular Aneurysm Repair (EVAR), which involves the insertion of a stent graft in the aneurysm through a catheter. Despite the great progression of the technique, there is a lack of standardization in terms of determining the degree and rate of disease progression. This project aims at providing an automatic aneurysm segmentation algorithm, that would let the evaluation of the AAA surveillance. Firstly, the clinical framework regarding the AAA, the EVAR procedure and its complications have been studied, focusing on the main unfulfilled clinical needs. Secondly, a deep analysis into Computerized Tomography Angiography (CTA) has been performed, in which the characteristics of pre and post-operative CTA scans have been evaluated. Thirdly, Deep Learning techniques for medical image segmentation have been studied, introducing the concept of Convolutional Neural Network. Then, the materials and methodology carried out for the implementation of the algorithm has been developed, describing the characteristics of the network and the dataset, emphasizing on the generation of the ground truth mask and the consideration of uncertainty in the annotation process. Once the predictions of the volumes have been obtained, their evaluation has been performed using Jaccard Index and Hausdorff Distance scores. Finally, general conclusions about the obtained results and general overview of the project is presented.</field>
        </element>
      </element>
    2. <element name="degree">
      1. <element name="es_ES">
        <field name="value">Máster Universitario en Ingeniería Biomédica por la Universidad Pública de Navarra</field>
        </element>
      2. <element name="eu">
        <field name="value">Ingeniaritza Biomedikoko Unibertsitate Masterra Nafarroako Unibertsitate Publikoan</field>
        </element>
      </element>
    </element>
  5. <element name="format">
    1. <element name="mimetype">
      1. <element name="en">
        <field name="value">application/pdf</field>
        </element>
      </element>
    </element>
  6. <element name="language">
    1. <element name="iso">
      1. <element name="en">
        <field name="value">spa</field>
        </element>
      </element>
    </element>
  7. <element name="subject">
    1. <element name="es_ES">
      1. <field name="value">Aneurisma de Aorta Abdominal (AAA)</field>
      2. <field name="value">Monitorización</field>
      3. <field name="value">Tomografía</field>
      4. <field name="value">Computerizada de Angiografía (CTA)</field>
      5. <field name="value">Segmentación</field>
      6. <field name="value">Red Neuronal Convolucional (CNN)</field>
      </element>
    2. <element name="en">
      1. <field name="value">Abdominal Aortic Aneurysm (AAA)</field>
      2. <field name="value">Surveillance</field>
      3. <field name="value">Computerized Tomography Angiography (CTA)</field>
      4. <field name="value">Segmentation</field>
      5. <field name="value">Convolutional Neural Network (CNN)</field>
      </element>
    </element>
  8. <element name="title">
    1. <element name="en">
      1. <field name="value">3D Multi-class CNN implementation for abdominal aortic aneurysm segmentation</field>
      </element>
    </element>
  9. <element name="type">
    1. <element name="none">
      1. <field name="value">info:eu-repo/semantics/masterThesis</field>
      </element>
    </element>
  10. <element name="rights">
    1. <element name="accessRights">
      1. <element name="none">
        <field name="value">info:eu-repo/semantics/openAccess</field>
        </element>
      </element>
    </element>
  </element>
3. <element name="bundles">
  1. <element name="bundle">
    1. <field name="name">TEXT</field>
    2. <element name="bitstreams">
      1. <element name="bitstream">
        <field name="name">OyarzunA_3D-Multi-Class-CNN-Implementation-for-Abdominal-Aortic-Aneurysm-Segmentation.pdf.txt</field>
        <field name="originalName">OyarzunA_3D-Multi-Class-CNN-Implementation-for-Abdominal-Aortic-Aneurysm-Segmentation.pdf.txt</field>
        <field name="description">Extracted text</field>
        <field name="format">text/plain</field>
        <field name="size">211801</field>
        <field name="url">https://academica-e.unavarra.es/bitstreams/e7ce7ce2-b5fa-4b8f-8f12-73f86960fb78/download</field>
        <field name="checksum">7cb5f50ae32539567589551e832ac086</field>
        <field name="checksumAlgorithm">MD5</field>
        <field name="sid">4</field>
        </element>
      </element>
    </element>
  2. <element name="bundle">
    1. <field name="name">THUMBNAIL</field>
    2. <element name="bitstreams">
      1. <element name="bitstream">
        <field name="name">OyarzunA_3D-Multi-Class-CNN-Implementation-for-Abdominal-Aortic-Aneurysm-Segmentation.pdf.jpg</field>
        <field name="originalName">OyarzunA_3D-Multi-Class-CNN-Implementation-for-Abdominal-Aortic-Aneurysm-Segmentation.pdf.jpg</field>
        <field name="description">IM Thumbnail</field>
        <field name="format">image/jpeg</field>
        <field name="size">4498</field>
        <field name="url">https://academica-e.unavarra.es/bitstreams/1ef9f23f-bd81-4bc7-bd1e-e8b9787f6317/download</field>
        <field name="checksum">c637487f0d0f8027fce66900b88a1747</field>
        <field name="checksumAlgorithm">MD5</field>
        <field name="sid">5</field>
        </element>
      </element>
    </element>
  3. <element name="bundle">
    1. <field name="name">ORIGINAL</field>
    2. <element name="bitstreams">
      1. <element name="bitstream">
        <field name="name">OyarzunA_3D-Multi-Class-CNN-Implementation-for-Abdominal-Aortic-Aneurysm-Segmentation.pdf</field>
        <field name="description">3D-Multi-Class-CNN</field>
        <field name="format">application/pdf</field>
        <field name="size">13797709</field>
        <field name="url">https://academica-e.unavarra.es/bitstreams/cecfdb60-fd60-4563-bfa8-16775824f289/download</field>
        <field name="checksum">99cb75cf3d34252a9739378a43b809db</field>
        <field name="checksumAlgorithm">MD5</field>
        <field name="sid">1</field>
        </element>
      </element>
    </element>
  4. <element name="bundle">
    1. <field name="name">LICENSE</field>
    2. <element name="bitstreams">
      1. <element name="bitstream">
        <field name="name">license.txt</field>
        <field name="originalName">license.txt</field>
        <field name="format">text/plain; charset=utf-8</field>
        <field name="size">1822</field>
        <field name="url">https://academica-e.unavarra.es/bitstreams/649a065c-f548-4dcd-81f6-7dfaa2558637/download</field>
        <field name="checksum">f1b158a779256515758998ebbe33410f</field>
        <field name="checksumAlgorithm">MD5</field>
        <field name="sid">2</field>
        </element>
      </element>
    </element>
  5. <element name="bundle">
    1. <field name="name">SWORD</field>
    2. <element name="bitstreams">
      1. <element name="bitstream">
        <field name="name">1618313274834.zip</field>
        <field name="description">SWORD deposit package</field>
        <field name="format">application/octet-stream</field>
        <field name="size">13109613</field>
        <field name="url">https://academica-e.unavarra.es/bitstreams/a19e9b7e-4a3e-412a-9fab-d2f2f90d58b6/download</field>
        <field name="checksum">e5755066d830204a3a3795eb8dd6f437</field>
        <field name="checksumAlgorithm">MD5</field>
        <field name="sid">3</field>
        </element>
      </element>
    </element>
  </element>
4. <element name="others">
  1. <field name="handle">2454/39558</field>
  2. <field name="identifier">oai:academica-e.unavarra.es:2454/39558</field>
  3. <field name="lastModifyDate">2024-10-11 11:41:39.094</field>
  4. <element name="access-status">
    1. <field name="value">open.access</field>
    </element>
  </element>
5. <element name="repository">
  1. <field name="url">https://academica-e.unavarra.es</field>
  2. <field name="name">Academica-e</field>
  3. <field name="mail">academica-e@unavarra.es</field>
  </element>
6. <element name="license">
  1. <field name="bin">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</field>
  </element>
</metadata>