Leveraging General-purpose Models for Enhanced Head and Neck Tumor Segmentation

Paraules clau: Imagenes médicas, segmentation de tumores automática, modelos de aprendizaje profundo; Medical imaging, automatic tumor segmentation, deep learning models; Imatges mèdiques, segmentació de tumors automàtica, models d’aprenentatge profund

Títol en diferents idiomes: Aprovechando modelos de uso general para mejorar la segmentación de tumores de cabeza y cuello; Leveraging General-purpose Models for Enhanced Head and Neck Tumor Segmentation; Aprofitant models de propòsit general per millorar la segmentació de tumors de cap i coll

Àrees temàtiques: Ciencias de la salud; Health sciences; Ciències de la salut

Confidencialitat: No

Curs acadèmic: 2023-2024

Codirector del treball: Diaz Badilla, Emily Natasha

Estudiant: Rodriguez Llana, Sergio

Aprenentatge Servei: No

Departament: Enginyeria Informàtica i Matemàtiques

Drets d'accés: info:eu-repo/semantics/openAccess

Data de la defensa del treball: 2024-09-12

Director del projecte: Nagarajan, Bhalaji

Resum: This thesis focuses on improving the segmentation of Head and Neck tumors, a challenging task due to the region's complex anatomy and tumor variability. It evaluates the nnU-Net model, identifying its strengths and limitations. To enhance performance, pre-trained models STU-Net-B and STU-Net-H are introduced, with STU-Net-H significantly improving segmentation accuracy. The thesis proposes a novel framework, nnSAM-3D, which integrates the SAM-Med3D encoder with nnU-Net to leverage multimodal CT and PET data. This approach reaches competitve performance while keeping a low number of model trainable paramters. The work highlights the potential of pre-trained models and suggests future research for better outcomes.; Aquesta tesi se centra en la millora de la segmentació dels tumors de cap i coll, una tasca difícil a causa de la complexa anatomia de la regió i la variabilitat del tumor. Avalua el model nnU-Net, identificant els seus punts forts i limitacions. Per millorar el rendiment, s'introdueixen els models pre-entrenats STU-Net-B i STU-Net-H, amb STU-Net-H que millora significativament la precisió de la segmentació. La tesi proposa un nou marc, nnSAM-3D, que integra el codificador SAM-Med3D amb nnU-Net per aprofitar les dades multimodals de TC i PET. Aquest enfocament assoleix un rendiment competitiu mantenint un nombre baix de paràmetres entrenables del model. El treball destaca el potencial dels models pre-entrenats i suggereix investigacions futures per obtenir millors resultats.

Matèria: Imatgeria mèdica

Entitat: Universitat Rovira i Virgili (URV)

Idioma: en

Ensenyament(s): Ciència de Dades Biomèdiques

Títol en la llengua original: Leveraging General-purpose Models for Enhanced Head and Neck Tumor Segmentation

Data d'alta al repositori: 2025-03-03