Generative adversarial networks for robust medical image analysis

Deep Learning models have been widely used for medical imaging tasks such as segmentation. However, these models tend to have low performances when applied to images that do not resemble the training dataset distribution. Thus, the robustness of medical segmentation models can be affected by externa...

Full description

Autores:
Escobar Palomeque, María Camila
Tipo de recurso:
Fecha de publicación:
2020
Institución:
Universidad de los Andes
Repositorio:
Séneca: repositorio Uniandes
Idioma:
eng
OAI Identifier:
oai:repositorio.uniandes.edu.co:1992/50942
Acceso en línea:
http://hdl.handle.net/1992/50942
Palabra clave:
Sistemas de imágenes en medicina
Sistemas de representación tridimensional
Segmentación de imagen
Aprendizaje automático (Inteligencia artificial)
Redes neurales (Computadores)
Inteligencia artificial
Ingeniería
Rights
openAccess
License
http://creativecommons.org/licenses/by-nc-nd/4.0/
id UNIANDES2_6dd0407fd8c195feae2da602074f6c34
oai_identifier_str oai:repositorio.uniandes.edu.co:1992/50942
network_acronym_str UNIANDES2
network_name_str Séneca: repositorio Uniandes
repository_id_str
spelling Al consultar y hacer uso de este recurso, está aceptando las condiciones de uso establecidas por los autores.http://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Arbeláez Escalante, Pablo Andrésvirtual::511-1Escobar Palomeque, María Camilab492d867-2284-45e5-a6a8-61a61bb38a65400Valderrama Manrique, Mario AndrésHernández Hoyos, Marcela2021-08-10T18:04:33Z2021-08-10T18:04:33Z2020http://hdl.handle.net/1992/5094222949.pdfinstname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/Deep Learning models have been widely used for medical imaging tasks such as segmentation. However, these models tend to have low performances when applied to images that do not resemble the training dataset distribution. Thus, the robustness of medical segmentation models can be affected by external factors such as the quality of the input image, or by synthetic modifications such as adversarial attacks. In this work we present two novel approaches to increase robustness in medical segmentation by using Generative Adversarial Networks. First, we present UltraGAN, a method to improve the robustness to quality of ultrasound segmentation. Second, we present MedRobGAN, a method to generate adversarial examples that can later be used in improving the adversarial robustness for various 3D segmentation tasks.Los modelos de aprendizaje profundo se han utilizado ampliamente para tareas de imágenes médicas como la segmentación. Sin embargo, estos modelos tienden a tener un rendimiento bajo cuando se aplican a imágenes que no se parecen a la distribución del conjunto de datos de entrenamiento. Por tanto, la robustez de los modelos de segmentación médica puede verse afectada por factores externos como la calidad de la imagen de entrada o por modificaciones sintéticas como los ataques adversarios. En este trabajo presentamos dos enfoques novedosos para aumentar la robustez en la segmentación médica mediante el uso de Redes Adversarias Generativas. Primero, presentamos UltraGAN, un método para mejorar la robustez a la calidad de la segmentación por ultrasonido. En segundo lugar, presentamos MedRobGAN, un método para generar ejemplos adversarios que luego se pueden utilizar para mejorar la robustez adversaria para varias tareas de segmentación 3D.Magíster en Ingeniería BiomédicaMaestría12 hojasapplication/pdfengUniversidad de los AndesMaestría en Ingeniería BiomédicaFacultad de IngenieríaDepartamento de Ingeniería BiomédicaGenerative adversarial networks for robust medical image analysisTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesishttp://purl.org/coar/version/c_970fb48d4fbd8a85Texthttp://purl.org/redcol/resource_type/TMSistemas de imágenes en medicinaSistemas de representación tridimensionalSegmentación de imagenAprendizaje automático (Inteligencia artificial)Redes neurales (Computadores)Inteligencia artificialIngeniería201423470Publicationhttps://scholar.google.es/citations?user=k0nZO90AAAAJvirtual::511-10000-0001-5244-2407virtual::511-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001579086virtual::511-1b4f52d42-ce2a-4e74-a22f-e52a6bfbd48evirtual::511-1b4f52d42-ce2a-4e74-a22f-e52a6bfbd48evirtual::511-1THUMBNAIL22949.pdf.jpg22949.pdf.jpgIM Thumbnailimage/jpeg9924https://repositorio.uniandes.edu.co/bitstreams/9556d2ff-cc44-408b-9ffa-3041ed0e3e28/downloadbe6ff0a4bfd65dbcb6554d57cc718defMD55ORIGINAL22949.pdfapplication/pdf4419768https://repositorio.uniandes.edu.co/bitstreams/24f80e5b-30b9-4e04-8259-e8790fe7f99b/download770af2f47e07ff8b12dbb86151198631MD51TEXT22949.pdf.txt22949.pdf.txtExtracted texttext/plain50692https://repositorio.uniandes.edu.co/bitstreams/286e0b9d-5236-4ce6-950b-9b30357bc655/download27127b349d9f7ac989f4e08f6713a560MD541992/50942oai:repositorio.uniandes.edu.co:1992/509422024-03-13 11:44:18.923http://creativecommons.org/licenses/by-nc-nd/4.0/open.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.co
dc.title.spa.fl_str_mv Generative adversarial networks for robust medical image analysis
title Generative adversarial networks for robust medical image analysis
spellingShingle Generative adversarial networks for robust medical image analysis
Sistemas de imágenes en medicina
Sistemas de representación tridimensional
Segmentación de imagen
Aprendizaje automático (Inteligencia artificial)
Redes neurales (Computadores)
Inteligencia artificial
Ingeniería
title_short Generative adversarial networks for robust medical image analysis
title_full Generative adversarial networks for robust medical image analysis
title_fullStr Generative adversarial networks for robust medical image analysis
title_full_unstemmed Generative adversarial networks for robust medical image analysis
title_sort Generative adversarial networks for robust medical image analysis
dc.creator.fl_str_mv Escobar Palomeque, María Camila
dc.contributor.advisor.none.fl_str_mv Arbeláez Escalante, Pablo Andrés
dc.contributor.author.none.fl_str_mv Escobar Palomeque, María Camila
dc.contributor.jury.none.fl_str_mv Valderrama Manrique, Mario Andrés
Hernández Hoyos, Marcela
dc.subject.armarc.es_CO.fl_str_mv Sistemas de imágenes en medicina
Sistemas de representación tridimensional
Segmentación de imagen
Aprendizaje automático (Inteligencia artificial)
Redes neurales (Computadores)
Inteligencia artificial
topic Sistemas de imágenes en medicina
Sistemas de representación tridimensional
Segmentación de imagen
Aprendizaje automático (Inteligencia artificial)
Redes neurales (Computadores)
Inteligencia artificial
Ingeniería
dc.subject.themes.none.fl_str_mv Ingeniería
description Deep Learning models have been widely used for medical imaging tasks such as segmentation. However, these models tend to have low performances when applied to images that do not resemble the training dataset distribution. Thus, the robustness of medical segmentation models can be affected by external factors such as the quality of the input image, or by synthetic modifications such as adversarial attacks. In this work we present two novel approaches to increase robustness in medical segmentation by using Generative Adversarial Networks. First, we present UltraGAN, a method to improve the robustness to quality of ultrasound segmentation. Second, we present MedRobGAN, a method to generate adversarial examples that can later be used in improving the adversarial robustness for various 3D segmentation tasks.
publishDate 2020
dc.date.issued.none.fl_str_mv 2020
dc.date.accessioned.none.fl_str_mv 2021-08-10T18:04:33Z
dc.date.available.none.fl_str_mv 2021-08-10T18:04:33Z
dc.type.spa.fl_str_mv Trabajo de grado - Maestría
dc.type.coarversion.fl_str_mv http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/masterThesis
dc.type.content.spa.fl_str_mv Text
dc.type.redcol.spa.fl_str_mv http://purl.org/redcol/resource_type/TM
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/1992/50942
dc.identifier.pdf.none.fl_str_mv 22949.pdf
dc.identifier.instname.spa.fl_str_mv instname:Universidad de los Andes
dc.identifier.reponame.spa.fl_str_mv reponame:Repositorio Institucional Séneca
dc.identifier.repourl.spa.fl_str_mv repourl:https://repositorio.uniandes.edu.co/
url http://hdl.handle.net/1992/50942
identifier_str_mv 22949.pdf
instname:Universidad de los Andes
reponame:Repositorio Institucional Séneca
repourl:https://repositorio.uniandes.edu.co/
dc.language.iso.none.fl_str_mv eng
language eng
dc.rights.uri.*.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.accessrights.spa.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.coar.spa.fl_str_mv http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.extent.none.fl_str_mv 12 hojas
dc.format.mimetype.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad de los Andes
dc.publisher.program.none.fl_str_mv Maestría en Ingeniería Biomédica
dc.publisher.faculty.none.fl_str_mv Facultad de Ingeniería
dc.publisher.department.none.fl_str_mv Departamento de Ingeniería Biomédica
publisher.none.fl_str_mv Universidad de los Andes
institution Universidad de los Andes
bitstream.url.fl_str_mv https://repositorio.uniandes.edu.co/bitstreams/9556d2ff-cc44-408b-9ffa-3041ed0e3e28/download
https://repositorio.uniandes.edu.co/bitstreams/24f80e5b-30b9-4e04-8259-e8790fe7f99b/download
https://repositorio.uniandes.edu.co/bitstreams/286e0b9d-5236-4ce6-950b-9b30357bc655/download
bitstream.checksum.fl_str_mv be6ff0a4bfd65dbcb6554d57cc718def
770af2f47e07ff8b12dbb86151198631
27127b349d9f7ac989f4e08f6713a560
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositorio institucional Séneca
repository.mail.fl_str_mv adminrepositorio@uniandes.edu.co
_version_ 1812133799344996352