DUGi

Deep learning for stroke imaging: enhancing focus, efficiency, and fairness

http://dugi.udg.edu/item/http:@@@@hdl.handle.net@@10256@@28675

ENG- This doctoral thesis develops deep learning methods to improve medical image analysis, with a particular focus on focus, efficiency, and fairness in the context of acute ischemic stroke. Building on the central role of cerebral computed tomography angiography (CTA) in clinical triage, this work explores models capable of effectively exploiting both vascular and contextual information from CTA images. The main contributions include: (1) strategies to guide neural networks toward the most clinically relevant structures for stroke detection—namely, the vascular anatomy—while preserving contextual parenchymal information from cerebral CTA; (2) the Learnable 3D Pooling module, which compresses three-dimensional medical images into two-dimensional feature maps, enabling the development of efficient, lightweight, and interpretable models; and (3) a controlled experimental framework to simulate and analyze the effects of confounding variables in clinically relevant classification tasks, leading to a practical, unsupervised method for detecting potential hidden biases, even when the nature of the confounders is unknown. The proposed methods are applicable to multiple medical imaging modalities and a wide range of pathologies, with particular relevance to neuroimaging. Designed with generalization in mind, these approaches have demonstrated utility beyond stroke, highlighting their potential across diverse clinical contexts. Overall, the contributions of this thesis advance the development of more focused, efficient, and fair deep learning tools for clinical decision support

CAT- Aquesta tesi doctoral desenvolupa mètodes d’aprenentatge profund per millorar l’anàlisi d’imatges mèdiques, amb especial atenció a la focalització, l’eficiència i la fiabilitat en l’ictus isquèmic agut. Partint del paper clau de l’angiografia per tomografia computada (angio-TC) cerebral en el triatge clínic, s’exploren models capaços d’explotar de manera efectiva la informació vascular i contextual de l’angio-TC. Les contribucions principals inclouen: (1) estratègies per orientar les xarxes neuronals cap a les estructures més rellevants per a la detecció d’ictus, és a dir, l’estructura vascular, preservant alhora la informació parenquimatosa contextual de l’angio-TC cerebral; (2) el mòdul Learnable 3D Pooling, que comprimeix imatges mèdiques tridimensionals en mapes de característiques bidimensionals, permetent desenvolupar models eficients, lleugers i interpretables; i (3) un un marc experimental controlat per simular i analitzar els efectes de les variables confusores en tasques de classificació cínicament rellevants, que permet desenvolupar un mètode pràctic i no supervisat per detectar possibles biaixos ocults, encara que la naturalesa dels confusors sigui desconeguda. Els mètodes proposats són aplicables a diferents modalitats d’imatge mèdica i patologies diverses, amb una rellevància particular per a la neuroimatge. Dissenyats amb capacitat de generalització, aquests mètodes han demostrat utilitat més enllà de l’ictus, posant de manifest el seu potencial per a diversos contextos clínics. En conjunt, les aportacions d’aquesta tesi contribueixen al desenvolupament d’eines d’aprenentatge profund més focalitzades, eficients i fiables

Programa de Doctorat en Tecnologia

Universitat de Girona