BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//Departamento de Computación - ECPv6.15.18//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-WR-CALNAME:Departamento de Computación
X-ORIGINAL-URL:https://www.dc.uba.ar
X-WR-CALDESC:Eventos para Departamento de Computación
REFRESH-INTERVAL;VALUE=DURATION:PT1H
X-Robots-Tag:noindex
X-PUBLISHED-TTL:PT1H
BEGIN:VTIMEZONE
TZID:America/Sao_Paulo
BEGIN:STANDARD
TZOFFSETFROM:-0200
TZOFFSETTO:-0300
TZNAME:-03
DTSTART:20170219T020000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:-0300
TZOFFSETTO:-0200
TZNAME:-02
DTSTART:20171015T030000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:-0200
TZOFFSETTO:-0300
TZNAME:-03
DTSTART:20180218T020000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:-0300
TZOFFSETTO:-0200
TZNAME:-02
DTSTART:20181104T030000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:-0200
TZOFFSETTO:-0300
TZNAME:-03
DTSTART:20190217T020000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=America/Sao_Paulo:20181127T103000
DTEND;TZID=America/Sao_Paulo:20181127T123000
DTSTAMP:20260617T142150
CREATED:20181126T123621Z
LAST-MODIFIED:20181127T214705Z
UID:3452-1543314600-1543321800@www.dc.uba.ar
SUMMARY:Defensa Tesis Doctorado Federico Raimondo
DESCRIPTION:Titulo: Estandarización y automatización en el diagnóstico de pacientes con desordenes de conciencia: aprendizaje automático aplicado a señales electrofisiológicas del cerebro y el cuerpo.\nDirector: Diego Fernández Slezak y Jacobo Sitt (UBA). Laurent Cohen (UPMC)\nJurados: Enzo Tagliazucchi. Pablo Granitto\, Joaquin Navajas y Salvador Guinjoan.\nResumen:\n\nAvances en la medicina moderna han llevado a un incremento en el número de pacientes diagnosticados con desordenes de consciencia (DOC). En estas condiciones\, los pacientes se encuentran despiertos\, pero no muestran signos de entendimiento acerca de si mismos o el lugar donde se encuentran. Una evaluación precisa de los pacientes tiene implicaciones medico-éticas y sociales\, y es de suma importancia porque típicamente informa el pronóstico. Los diagnósticos erróneos\, no obstante\, es una gran preocupación en las clínicas debido a las limitaciones intrínsecas de las herramientas de diagnostico basados en comportamiento. Una tecnología accesible para asistir a los médicos es la electroencefalografía (EEG). In un estudio previo\, introducimos el uso de marcadores extraídos de EEG en combinación con aprendizaje automático como una herramienta para el diagnostico de pacientes DOC. En este trabajo\, desarrollamos una herramienta de análisis automatizado\, y analizamos la aplicabilidad y limitaciones de este método. Adicionalmente\, proponemos dos enfoques para incrementar la precision del diagnóstico: (1) el uso de múltiples modalidades de estimulación para incluir los correlatos neuronales de la integración multisensorial y (2) el análisis de las modulaciones de la actividad cardíaca mediadas por la conciencia. Nuestros resultados exceden el conocimiento actual en dos dimensiones. Clínicamente\, encontramos que el método puede ser utilizada en contextos heterogéneos\, confirmando la utilidad del aprendizaje automático como una herramientas para el diagnóstico clínico. Científicamente\, nuestros resultados resaltan que las interacciones entre el cerebro y el cuerpo pueden ser el mecanismo fundamental para sostener la fusión de multiples sentidos en una única percepción\, conduciendo a la emergencia de la consciencia. En conjunto\, este trabajo ilustra la importancia del aprendizaje automático para la evaluación clínica individualizada\, y crea un punto de partida para la inclusión de las funciones corporales en la cuantificación de los estados de conciencia globales.
URL:https://www.dc.uba.ar/event/defensa-tesis-doctorado-federico-raimondo/
LOCATION:Laboratorio 4
CATEGORIES:Agenda
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=America/Sao_Paulo:20181128T120000
DTEND;TZID=America/Sao_Paulo:20181128T130000
DTSTAMP:20260617T142150
CREATED:20181126T124024Z
LAST-MODIFIED:20181127T214705Z
UID:3455-1543406400-1543410000@www.dc.uba.ar
SUMMARY:Defensa Tesis Licenciatura Nicolas Roulet
DESCRIPTION:Título: Segmentación automática multi-tarea de imágenes médicas utilizando redes neuronales profundas.\nDirectores: Enzo Ferrante y Diego Fernandez Slezak.\nJurados: Pablo Riera\, Agustín Gravano y Pablo Negri.\nResumen:\n\nLas 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. \nEl 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. \nLos 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.
URL:https://www.dc.uba.ar/event/defensa-tesis-licenciatura-nicolas-roulet/
LOCATION:Laboratorio 1
CATEGORIES:Agenda
END:VEVENT
END:VCALENDAR