Reconstrucción craneal y segmentación robusta de imágenes médicas mediante aprendizaje profundo

Autores
Matzkin, Víctor Franco
Año de publicación
2026
Idioma
español castellano
Tipo de recurso
tesis doctoral
Estado
versión aceptada
Colaborador/a o director/a de tesis
Ferrante, Enzo
Buemi, María Elena
Massa, José María
Vignolo, Leandro
Milone, Diego
Descripción
Fil: Matzkin, Victor Franco. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas; Argentina.
Esta tesis doctoral aplica aprendizaje profundo a la reconstrucción de implantes craneales y la segmentación robusta de imágenes médicas, abordando limitaciones de datos y cambio de dominio. Dado el costo del diseño manual de implantes, se proponen enfoques autosupervisados que simulan la extracción de hueso en tomografías de cráneos completos, generando datos sintéticos que compensan la escasez de datos reales. Esta "craniectomía virtual" se mejoró con patrones de simulación más complejos y variables. Las estrategias superan en tiempo y desempeño a métodos alternativos como modelos de forma estadística y otros de aprendizaje profundo. Además, se explora el uso de conocimiento anatómico previo sobre la forma esperada para mejorar la solidez frente a implantes fuera de distribución y de mayor resolución. En la segunda parte, se estudia la robustez de modelos de segmentación frente a variaciones en la adquisición y poblaciones de pacientes. Se analiza la segmentación de hiperintensidades de sustancia blanca en resonancias cerebrales, evaluando regularización por entropía para mejorar la estimación de incertidumbre bajo cambio de dominio. Métodos como la entropía máxima en predicciones erróneas mejoran la capacidad del modelo de expresar incertidumbre en áreas ambiguas, detectar cambios de dominio y señalar errores sin anotaciones manuales, con mejoras en la calibración dentro y fuera de distribución. La investigación aporta avances metodológicos en aprendizaje automático aplicados al análisis de imágenes cerebrales. Las soluciones mejoran la precisión, eficiencia y robustez en reconstrucción de implantes y segmentación médica, orientadas a uso clínico. La validación en múltiples conjuntos de datos, incluyendo casos clínicos reales y competencias internacionales, demuestra su potencial para mejorar la planificación quirúrgica y el diagnóstico asistido, contribuyendo al cuidado de pacientes.
This doctoral thesis applies deep learning to cranial implant reconstruction and robust medical image segmentation, addressing data limitations and domain shift. Given the cost of manual implant design, self-supervised approaches are proposed that simulate bone extraction from CT scans of complete skulls, generating synthetic data to compensate for the scarcity of real patient data. This "virtual craniectomy" was improved with more complex and variable simulation patterns. The strategies outperform alternatives such as statistical shape models and other deep learning methods in time and performance. Additionally, the use of anatomical constraints or prior knowledge about the expected shape is explored to improve robustness against out-of-distribution implants at higher resolutions. In the second part, the thesis studies the robustness of segmentation models against variations in image acquisition and patient populations. White matter hyperintensity segmentation in brain MRI is analyzed, evaluating entropy regularization techniques to improve uncertainty estimation under domain shift. Methods such as maximum entropy on erroneous predictions improve the model's ability to express uncertainty in ambiguous areas, detect domain shifts, and serve as indicators of segmentation errors without manual annotations, with improvements in calibration on both in-distribution and out-of-distribution data. The research provides novel methodological advances in machine learning applied to computational brain image analysis. The proposed solutions improve precision, efficiency, and robustness in cranial implant reconstruction and medical image segmentation, oriented toward clinical use. Experimental validation on multiple datasets, including real clinical cases and international competitions, demonstrates the potential to significantly improve surgical planning and computer-aided diagnosis, contributing to improved patient care.
Consejo Nacional de Investigaciones Científicas y Técnicas
Materia
Aprendizaje profundo
Reconstrucción de implantes craneales
Aprendizaje autosupervisado
Segmentación de imágenes médicas
Estimación de incertidumbre
Cambio de dominio
Deep learning
Cranial implant reconstruction
Self-supervised learning
Medical image segmentation
Uncertainty estimation
Domain shift
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
Repositorio
Biblioteca Virtual (UNL)
Institución
Universidad Nacional del Litoral
OAI Identificador
oai:https://bibliotecavirtual.unl.edu.ar:11185/8839

id UNLBT_7e5b2ef3575ee5e2bf362fbb0616aa2e
oai_identifier_str oai:https://bibliotecavirtual.unl.edu.ar:11185/8839
network_acronym_str UNLBT
repository_id_str 2187
network_name_str Biblioteca Virtual (UNL)
spelling Reconstrucción craneal y segmentación robusta de imágenes médicas mediante aprendizaje profundoCranial reconstruction and robust medical image segmentation through deep learningMatzkin, Víctor FrancoAprendizaje profundoReconstrucción de implantes cranealesAprendizaje autosupervisadoSegmentación de imágenes médicasEstimación de incertidumbreCambio de dominioDeep learningCranial implant reconstructionSelf-supervised learningMedical image segmentationUncertainty estimationDomain shiftFil: Matzkin, Victor Franco. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas; Argentina.Esta tesis doctoral aplica aprendizaje profundo a la reconstrucción de implantes craneales y la segmentación robusta de imágenes médicas, abordando limitaciones de datos y cambio de dominio. Dado el costo del diseño manual de implantes, se proponen enfoques autosupervisados que simulan la extracción de hueso en tomografías de cráneos completos, generando datos sintéticos que compensan la escasez de datos reales. Esta "craniectomía virtual" se mejoró con patrones de simulación más complejos y variables. Las estrategias superan en tiempo y desempeño a métodos alternativos como modelos de forma estadística y otros de aprendizaje profundo. Además, se explora el uso de conocimiento anatómico previo sobre la forma esperada para mejorar la solidez frente a implantes fuera de distribución y de mayor resolución. En la segunda parte, se estudia la robustez de modelos de segmentación frente a variaciones en la adquisición y poblaciones de pacientes. Se analiza la segmentación de hiperintensidades de sustancia blanca en resonancias cerebrales, evaluando regularización por entropía para mejorar la estimación de incertidumbre bajo cambio de dominio. Métodos como la entropía máxima en predicciones erróneas mejoran la capacidad del modelo de expresar incertidumbre en áreas ambiguas, detectar cambios de dominio y señalar errores sin anotaciones manuales, con mejoras en la calibración dentro y fuera de distribución. La investigación aporta avances metodológicos en aprendizaje automático aplicados al análisis de imágenes cerebrales. Las soluciones mejoran la precisión, eficiencia y robustez en reconstrucción de implantes y segmentación médica, orientadas a uso clínico. La validación en múltiples conjuntos de datos, incluyendo casos clínicos reales y competencias internacionales, demuestra su potencial para mejorar la planificación quirúrgica y el diagnóstico asistido, contribuyendo al cuidado de pacientes.This doctoral thesis applies deep learning to cranial implant reconstruction and robust medical image segmentation, addressing data limitations and domain shift. Given the cost of manual implant design, self-supervised approaches are proposed that simulate bone extraction from CT scans of complete skulls, generating synthetic data to compensate for the scarcity of real patient data. This "virtual craniectomy" was improved with more complex and variable simulation patterns. The strategies outperform alternatives such as statistical shape models and other deep learning methods in time and performance. Additionally, the use of anatomical constraints or prior knowledge about the expected shape is explored to improve robustness against out-of-distribution implants at higher resolutions. In the second part, the thesis studies the robustness of segmentation models against variations in image acquisition and patient populations. White matter hyperintensity segmentation in brain MRI is analyzed, evaluating entropy regularization techniques to improve uncertainty estimation under domain shift. Methods such as maximum entropy on erroneous predictions improve the model's ability to express uncertainty in ambiguous areas, detect domain shifts, and serve as indicators of segmentation errors without manual annotations, with improvements in calibration on both in-distribution and out-of-distribution data. The research provides novel methodological advances in machine learning applied to computational brain image analysis. The proposed solutions improve precision, efficiency, and robustness in cranial implant reconstruction and medical image segmentation, oriented toward clinical use. Experimental validation on multiple datasets, including real clinical cases and international competitions, demonstrates the potential to significantly improve surgical planning and computer-aided diagnosis, contributing to improved patient care.Consejo Nacional de Investigaciones Científicas y TécnicasFerrante, EnzoBuemi, María ElenaMassa, José MaríaVignolo, LeandroMilone, Diego2026-05-21T14:18:01Z2026-03-10SNRDinfo:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_db06info:ar-repo/semantics/tesisDoctoralapplication/pdfhttps://hdl.handle.net/11185/8839spainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-nd/4.0/deed.esreponame:Biblioteca Virtual (UNL)instname:Universidad Nacional del Litoralinstacron:UNL2026-11-05T12:32:40Zoai:https://bibliotecavirtual.unl.edu.ar:11185/8839Institucionalhttp://bibliotecavirtual.unl.edu.ar/Universidad públicaNo correspondeajdeba@unl.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:21872026-11-05 12:32:41.192Biblioteca Virtual (UNL) - Universidad Nacional del Litoralfalse
dc.title.none.fl_str_mv Reconstrucción craneal y segmentación robusta de imágenes médicas mediante aprendizaje profundo
Cranial reconstruction and robust medical image segmentation through deep learning
title Reconstrucción craneal y segmentación robusta de imágenes médicas mediante aprendizaje profundo
spellingShingle Reconstrucción craneal y segmentación robusta de imágenes médicas mediante aprendizaje profundo
Matzkin, Víctor Franco
Aprendizaje profundo
Reconstrucción de implantes craneales
Aprendizaje autosupervisado
Segmentación de imágenes médicas
Estimación de incertidumbre
Cambio de dominio
Deep learning
Cranial implant reconstruction
Self-supervised learning
Medical image segmentation
Uncertainty estimation
Domain shift
title_short Reconstrucción craneal y segmentación robusta de imágenes médicas mediante aprendizaje profundo
title_full Reconstrucción craneal y segmentación robusta de imágenes médicas mediante aprendizaje profundo
title_fullStr Reconstrucción craneal y segmentación robusta de imágenes médicas mediante aprendizaje profundo
title_full_unstemmed Reconstrucción craneal y segmentación robusta de imágenes médicas mediante aprendizaje profundo
title_sort Reconstrucción craneal y segmentación robusta de imágenes médicas mediante aprendizaje profundo
dc.creator.none.fl_str_mv Matzkin, Víctor Franco
author Matzkin, Víctor Franco
author_facet Matzkin, Víctor Franco
author_role author
dc.contributor.none.fl_str_mv Ferrante, Enzo
Buemi, María Elena
Massa, José María
Vignolo, Leandro
Milone, Diego
dc.subject.none.fl_str_mv Aprendizaje profundo
Reconstrucción de implantes craneales
Aprendizaje autosupervisado
Segmentación de imágenes médicas
Estimación de incertidumbre
Cambio de dominio
Deep learning
Cranial implant reconstruction
Self-supervised learning
Medical image segmentation
Uncertainty estimation
Domain shift
topic Aprendizaje profundo
Reconstrucción de implantes craneales
Aprendizaje autosupervisado
Segmentación de imágenes médicas
Estimación de incertidumbre
Cambio de dominio
Deep learning
Cranial implant reconstruction
Self-supervised learning
Medical image segmentation
Uncertainty estimation
Domain shift
dc.description.none.fl_txt_mv Fil: Matzkin, Victor Franco. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas; Argentina.
Esta tesis doctoral aplica aprendizaje profundo a la reconstrucción de implantes craneales y la segmentación robusta de imágenes médicas, abordando limitaciones de datos y cambio de dominio. Dado el costo del diseño manual de implantes, se proponen enfoques autosupervisados que simulan la extracción de hueso en tomografías de cráneos completos, generando datos sintéticos que compensan la escasez de datos reales. Esta "craniectomía virtual" se mejoró con patrones de simulación más complejos y variables. Las estrategias superan en tiempo y desempeño a métodos alternativos como modelos de forma estadística y otros de aprendizaje profundo. Además, se explora el uso de conocimiento anatómico previo sobre la forma esperada para mejorar la solidez frente a implantes fuera de distribución y de mayor resolución. En la segunda parte, se estudia la robustez de modelos de segmentación frente a variaciones en la adquisición y poblaciones de pacientes. Se analiza la segmentación de hiperintensidades de sustancia blanca en resonancias cerebrales, evaluando regularización por entropía para mejorar la estimación de incertidumbre bajo cambio de dominio. Métodos como la entropía máxima en predicciones erróneas mejoran la capacidad del modelo de expresar incertidumbre en áreas ambiguas, detectar cambios de dominio y señalar errores sin anotaciones manuales, con mejoras en la calibración dentro y fuera de distribución. La investigación aporta avances metodológicos en aprendizaje automático aplicados al análisis de imágenes cerebrales. Las soluciones mejoran la precisión, eficiencia y robustez en reconstrucción de implantes y segmentación médica, orientadas a uso clínico. La validación en múltiples conjuntos de datos, incluyendo casos clínicos reales y competencias internacionales, demuestra su potencial para mejorar la planificación quirúrgica y el diagnóstico asistido, contribuyendo al cuidado de pacientes.
This doctoral thesis applies deep learning to cranial implant reconstruction and robust medical image segmentation, addressing data limitations and domain shift. Given the cost of manual implant design, self-supervised approaches are proposed that simulate bone extraction from CT scans of complete skulls, generating synthetic data to compensate for the scarcity of real patient data. This "virtual craniectomy" was improved with more complex and variable simulation patterns. The strategies outperform alternatives such as statistical shape models and other deep learning methods in time and performance. Additionally, the use of anatomical constraints or prior knowledge about the expected shape is explored to improve robustness against out-of-distribution implants at higher resolutions. In the second part, the thesis studies the robustness of segmentation models against variations in image acquisition and patient populations. White matter hyperintensity segmentation in brain MRI is analyzed, evaluating entropy regularization techniques to improve uncertainty estimation under domain shift. Methods such as maximum entropy on erroneous predictions improve the model's ability to express uncertainty in ambiguous areas, detect domain shifts, and serve as indicators of segmentation errors without manual annotations, with improvements in calibration on both in-distribution and out-of-distribution data. The research provides novel methodological advances in machine learning applied to computational brain image analysis. The proposed solutions improve precision, efficiency, and robustness in cranial implant reconstruction and medical image segmentation, oriented toward clinical use. Experimental validation on multiple datasets, including real clinical cases and international competitions, demonstrates the potential to significantly improve surgical planning and computer-aided diagnosis, contributing to improved patient care.
Consejo Nacional de Investigaciones Científicas y Técnicas
description Fil: Matzkin, Victor Franco. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas; Argentina.
publishDate 2026
dc.date.none.fl_str_mv 2026-05-21T14:18:01Z
2026-03-10
dc.type.none.fl_str_mv SNRD
info:eu-repo/semantics/doctoralThesis
info:eu-repo/semantics/acceptedVersion
http://purl.org/coar/resource_type/c_db06
info:ar-repo/semantics/tesisDoctoral
format doctoralThesis
status_str acceptedVersion
dc.identifier.none.fl_str_mv https://hdl.handle.net/11185/8839
url https://hdl.handle.net/11185/8839
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Biblioteca Virtual (UNL)
instname:Universidad Nacional del Litoral
instacron:UNL
reponame_str Biblioteca Virtual (UNL)
collection Biblioteca Virtual (UNL)
instname_str Universidad Nacional del Litoral
instacron_str UNL
institution UNL
repository.name.fl_str_mv Biblioteca Virtual (UNL) - Universidad Nacional del Litoral
repository.mail.fl_str_mv jdeba@unl.edu.ar
_version_ 1881034373898174464
score 12.487082