• Título: Segmentación automática multi-tarea de imágenes médicas utilizando redes neuronales profundas.
• Directores: Enzo Ferrante y Diego Fernandez Slezak.
• Jurados: Pablo Riera, Agustín Gravano y Pablo Negri.
• Resumen:

Las distintas técnicas de imágenes médicas constituyen una parte fundamental de la investigación y el diagnóstico médico. En la actualidad, la aplicación de métodos computacionales para enriquecer la información provista por estos estudios presenta posibilidades muy variadas para la asistencia a profesionales en distintos ámbitos médicos. En particular, la identificación de estructuras anatómicas y patológicas en imágenes cerebrales es de gran utilidad para elaborar diagnósticos y estudiar la evolución temporal de enfermedades o lesiones.

El presente trabajo estudia el problema de la segmentación automática de imágenes médicas para identificar tanto estructuras anatómicas (los diferentes tejidos cerebrales como materia blanca, gris, etc.) como patológicas (como tumores o distintos tipos de lesiones) simultáneamente, utilizando Redes Neuronales Convolucionales. El objetivo es entrenar un único modelo capaz de producir segmentaciones de ambas estructuras de interés, a partir de dos conjuntos de datos de referencia, cada uno etiquetado en función de sólo una de las tareas. En esta tesis de licenciatura se discutirán las particularidades de la segmentación multi-tarea con bases de datos disjuntas y sus diferencias con el clásico problema de segmentación multi-clase, se propondrán nuevas estrategias para abordar el problema en base a \textit{funciones de costo selectivas} y se estudiará su desempeño en el contexto de la segmentación de neuroimágenes, evaluando los resultados sobre datasets con etiquetas combinadas de referencia.

Los resultados obtenidos sugieren que las nuevas funciones de costo selectivas propuestas presentan un mejor rendimiento que las existentes en la literatura, y abren la puerta al desarrollo de nuevos métodos de segmentación multi-tarea en el contexto de las neuroimágenes.