Browsing by Author "Facuse Pérez, Jorge Ignacio"

Now showing 1 - 1 of 1
  • No Thumbnail Available
    Item
    Exploring training strategies and model architectures for domain adaptation in prostate cancer MRI
    (2024) Facuse Pérez, Jorge Ignacio; Parra Santander, Denis; Pontificia Universidad Católica de Chile. Escuela de Ingeniería
    El diagnóstico médico basado en imágenes y segmentación con métodos de IA a mejorado en los últimos años gracias al Aprendizaje Profundo (AP). Sin embargo, usar modelos de AP en sets de datos pequeños de poblaciones distintas a las del dataset de entrenamiento requiere una gran cantidad de etiquetas, incluso en el caso de ajustar un modelo fundacional pre-entrenado en un dataset grande. El Aprendizaje Auto-supervisado (AAS) y la transferencia de aprendizaje emergen como soluciones para este problema. AAS utiliza datos sin etiquetar para aprender representaciones generalizables, mientras que la transferencia de aprendizaje facilita ajustar modelos a conjuntos de datos con pocas etiquetas. En esta tesis presentamos una estrategia de entrenamiento basada en AAS y transferencia de aprendizaje para entrenar modelos en la tarea de diagnosticar y segmentar cáncer de próstata clínicamente significativo utilizando conjuntos de datos pequeños de Resonancia Magnética (RM) de próstata. La estrategia involucra una etapa de entrenamiento autosupervisado, una etapa de entrenamiento supervisada y una etapa de ajuste al conjunto de datos más pequeño. Los datos de PI-CAI se utilizaron en las primeras etapas y para la etapa final y evaluación se utilizaron dos conjuntos de datos más pequeños: Prostate158 y un conjunto de datos proveniente de Chile llamado ChiPCa. Probamos múltiples variaciones de nuestra estrategia para encontrar la mejor metodología de entrenamiento y arquitectura del modelo para adaptación de dominio en las tareas de detección y segmentación de cancer de próstata en RM. Nuestros resultados en ambos conjuntos de datos validan nuestra estrategia propuesta para facilitar el entrenamiento de modelos de AP en conjuntos de datos de RM de próstata pequeños, siendo UNet la mejor arquitectura del modelo y Denoising Autoencoder (DAE) el mejor método de AAS, con un puntaje total de 0.558 en el dataset Prostate158 y 0.647 en el dataset ChiPCa.