
Doctoral Meeting: 'Técnicas de aprendizaxe automática para a detección prenatal de neonatos pequenos e vulnerables'
Os bebés que nacen pequenos e vulnerables (SVN) enfrontan maiores riscos de mortalidade e complicacións de saúde, incluíndo futuras enfermidades cardíacas. Os modelos de detección actuais adoitan centrarse en factores de risco illados en lugar de avaliar o feto como un todo, o que pode provocar a omisión de indicadores de restrición do crecemento. O crecemento fetal estímase normalmente mediante medicións baseadas en ultrasóns, como a lonxitude do fémur e as circunferencias abdominal e cranial. Polo tanto, o primeiro paso para mellorar o diagnóstico implica a segmentación precisa destas estruturas anatómicas nas imaxes de ultrasón fetal. Para este fin, empregamos arquitecturas establecidas, como UNet e nnUNet, pola súa demostrada eficacia para acadar resultados de última xeración no campo. Ademais, exploramos modificacións destas arquitecturas básicas para aproveitar as semellanzas estruturais entre a cabeza e o abdome, mellorando aínda máis o rendemento da segmentación. Como traballo futuro, os marcadores de crecemento fetal computados combinaranse con datos multimodais -incluíndo rexistros demográficos e médicos da nai, e datos de poboación- co obxectivo de establecer un marco rigoroso, seguro e imparcial para a avaliación do crecemento fetal, que poida levar a un diagnóstico prenatal SVN máis fiable.
- Directores: Marta Núñez García e Nicolás Vila Blanco
- Moderador deste DM: Pablo Gamallo
Evento presencial
/events/doctoral-meeting-machine-learning-techniques-for-prenatal-detection-of-small-and-vulnerable-newborns
events_gl