2026-04-13T04:48:39Zhttps://recercat.cat/oai/request

oai:recercat.cat:2117/3306512025-07-22T19:43:34Zcom_2072_1033col_2072_452951

urn:hdl:2117/330651 Identificació i caracterització automatitzada de lesions de tuberculosi en imatges de tomografia axial computada Automatized identification and characterization of tuberculosis lesions' in computed tomography images Identificación y caracterización automatizada de lesiones de tuberculosis en imágenes de tomografía axial computarizada Villanueva Baxarias, Maria Inmaculada Àrees temàtiques de la UPC::Física Algorithms Machine learning Biomedical engineering Image processing Medicine -- Data processing Machine Learning Biomedical Engineering Identification Images -- Processing Medical Images -- Treatment Medicine -- Informatics Modeling Programming (Computers) Medical Radiology -- Informatics Algorismes Aprenentatge automàtic Enginyeria biomèdica Imatges -- Processament Medicina -- Informàtica Tuberculosis is an infectious airborne disease which 10.0 million people developed and 1.5 million died of in 2018. The organ most vulnerable to the disease is the lung and the lesions that occur determine if it is in a latent or active state. The purpose of this project is to develop a Python model that detects latent tuberculosis lesions in computed tomography (CT) images. An easily accessible database has been created with 24 TACs of minipigs? lungs infected with Mycobacterium tuberculosis and euthanized 12 weeks after the initial infection. To analyze them, different pre-processing, segmentation and post-processing techniques have been used to change their representation and facilitate the identification of the different structures they present and the measurement of their characteristics. To locate the carina, a model has been implemented that applies a global threshold, a mask inversion and a filtering of regions by area and eccentricity. Lung volume has been found by creating a mask and applying an Otsu threshold. Lesions have been detected by determining the local maxima present in the lungs volume and by applying a region growing algorithm. Attributes of all identified structures have been extracted, which have subsequently been used to train a decision tree, a Machine Learning algorithm capable of classifying them into lesions or healthy areas. With the developed program, it has been possible to characterize the majority of tuberculosis lesions present in the computed tomography images. Furthermore, the results obtained show that the attributes that best discriminate lesions from healthy regions are the mean diameter, the intensity in the center and the distance in the vertical direction to the carina. La tuberculosis es una enfermedad infecciosa transmitida por el aire que en el año 2018 desarrollaron 10.0 millones de personas y por causa de la cual murieron 1.5 millones. El órgano más vulnerable a la enfermedad es el pulmón y las lesiones que se producen determinan si ésta está en un estado latente o en un estado activo. El propósito de este proyecto es desarrollar un modelo en Python que permita detectar lesiones de tuberculosis en estado latente en imágenes de tomografía axial computarizada (TAC). Se ha creado una base de datos fácilmente accesible con 24 TACs de pulmones de minipigs infectados con Mycobacterium tuberculosis y eutanasiados 12 semanas después de la infección inicial. Para analizarlos se han utilizado diferentes técnicas de pre-procesamiento, segmentación y post-procesamiento de imágenes para cambiar su representación y facilitar la identificación de las diferentes estructuras que presentan y la medida de sus características. Para localizar la carina, se ha implementado un modelo que aplica un umbral global, una inversión de la máscara y un filtrado de regiones por área y excentricidad. El volumen pulmonar se ha encontrado creando una máscara y aplicando un umbral Otsu. Las lesiones se han detectado determinando los máximos locales presentes en los pulmones y mediante un crecimiento de regiones. De todas las estructuras identificadas se han extraído sus atributos, que posteriormente se han utilizado para entrenar un árbol de decisión, algoritmo de Machine Learning capaz de clasificarlas en lesiones o zonas sanas. Con el programa desarrollado, se ha conseguido caracterizar la mayoría de lesiones de tuberculosis presentes en las imágenes de tomografía axial computarizada. Además, los resultados obtenidos muestran que los atributos que mejor discriminan las lesiones de regiones sanas son el diámetro medio, la intensidad en el centro y la distancia en dirección vertical a la carina. 2020-06 Bachelor thesis S'autoritza la difusió de l'obra mitjançant la llicència Creative Commons o similar 'Reconeixement-NoComercial- SenseObraDerivada' Open Access Universitat Politècnica de Catalunya