[ES] Las zeolitas son materiales cristalinos microporosos con canales y tamaños de poro de dimensiones moleculares. La estructura y composición de las zeolitas les confiere interesantes propiedades que permiten su aplicación en una amplia gama de aplicaciones industriales como adsorción, separación o catálisis. La síntesis de zeolitas es la etapa más importante para el control de la estructura y composición de las zeolitas y, por tanto, crítica para la optimización de sus propiedades. Esta tesis se ha centrado en la síntesis de zeolitas utilizando compuestos que contienen fósforo (cationes fosfonio y aminofosfonio) como Agentes Directores de Estructura (P-ADE). El uso de compuestos fosforados influye en la cristalización y propiedades de las zeolitas obtenidas en comparación con las zeolitas obtenidas con cationes de amonio clásicos. Los compuestos fosforados se eligieron debido a su diferente química y estabilidad con respecto a los cationes de amonio clásicos comúnmente usados en la síntesis de zeolitas. Estos aspectos se estudiaron con un estudio comparativo de diferentes cationes de amonio y fosforados. Los compuestos de fósforo utilizados en este trabajo han dado lugar a nuevas estructuras cristalinas (ITQ-58 e ITQ-66) y han abierto nuevas vías de síntesis de zeolitas ya conocidas (RTH, IWV y DON), ampliando su gama de composiciones químicas. La descomposición térmica de los P-ADE confinados dentro de las zeolitas da lugar a la formación de especies de fósforo extra-red que permanecen dentro de los canales y cavidades de las zeolitas. Estas especies modulan las propiedades ácidas y de adsorción de los materiales finales dependiendo de los tratamientos post-síntesis. En este trabajo se ha estudiado una ruta para la incorporación de cantidades controladas de fósforo durante la etapa de síntesis. Esto ha permitido controlar la adsorción y las propiedades ácidas en las zeolitas de poro pequeño, lo que no se puede lograr mediante metodologías de post-síntesis. / [CA] Les zeolites són materials cristal·lins microporosos amb canals i mides de porus de dimensions moleculars. L'estructura i composició de les zeolites els confereix interessants propietats que permeten la seua aplicació en una àmplia gamma d'aplicacions industrials com adsorció, separació o catàlisi. La síntesi de zeolites és l'etapa més important per al control de l'estructura i composició de les zeolites i, per tant, crítica per a l'optimització de les seues propietats. Aquesta tesi s'ha centrat en la síntesi de zeolites utilitzant compostos que contenen fòsfor (cations fosfoni i aminofosfoni) com a agents directors d'estructura (P-ADE). L'ús de compostos fosforats influeix en la cristal·lització i propietats de les zeolites obtingudes en comparació amb les zeolites obtingudes amb cations d'amoni clàssics. Els compostos fosforats es van triar a causa de la seua diferent química i estabilitat pel que fa als cations d'amoni clàssics utilitzats en la síntesi de zeolites. Aquests aspectes s¿estudiaren amb un estudi comparatiu de diferents cations d'amoni i fosforats. Els compostos de fòsfor utilitzats en aquest treball han donat lloc a noves estructures cristal·lines (ITQ-58 i ITQ-66) i han obert noves vies de síntesi de zeolites ja conegudes (RTH, IWV i DO), ampliant la seua gamma de composicions químiques. La descomposició tèrmica dels P-ADE atrapats dins de les zeolites dona lloc a la for-mació d'espècies de fòsfor extra-xarxa que romanen dins dels canals i cavitats de les zeolites. Aquestes espècies modulen les propietats àcides i d'adsorció dels materials finals depenent dels tractaments post-síntesi. En aquest treball s'ha estudiat una ruta per la incorporació de quantitats controlades de fòsfor durant l'etapa de síntesi. Això ha permés controlar l'adsorció i les propietats àcides en les zeolites de porus petit, el que no es pot aconseguir mitjançant metodologies de post-síntesi. / [EN] Zeolites are microporous crystalline materials with channels and pore openings of molecular dimensions. The structure and composition of zeolites confers them interesting properties that allow their application in a wide range of industrial applications as adsorption, separation or catalysis. The synthesis of zeolites is the most important stage to control the structure and composition of zeolites, and thus, critical to optimize their properties. This thesis has been focused on the synthesis of zeolites using phosphorous containing compounds (phosphonium and aminophosphonium cations) as Organic Structure Directing Agents (P-OSDA). The use of these phosphorous compounds influence the crystallization and properties of the obtained zeolites compared to zeolites obtained with classical ammo-nium cations. Phosphorous compounds were chosen because of their different chemistry and stabil-ity properties respect to classical ammonium cations commonly used in the synthesis of zeo-lites. These aspects were studied in a comparative study with different ammonium and phosphorous cations. The phosphorous compounds used in this work have yielded new crystalline structures (ITQ-58 and ITQ-66) and opened new routes for the synthesis of already known zeolites (RTH, IWV and DON), widening their chemical composition range. The thermal decomposition of the P-OSDAs entrapped inside the zeolites yields to the formation of extra-framework phosphorus species that remain inside the channels and voids of the zeolites. These species modulate the adsorption and acid properties of the final materials depending on the post-synthesis treatments. In this work, a route for the incorporation of controlled amounts of phosphorus during the synthesis stage has been studied. This has allowed to control the adsorption and acid properties in small pores zeolites, which cannot be achieved by post-synthesis methodologies. / I wish to firstly acknowledge the Spanish Government for the necessary funding for the FPI pre-doctoral fellowship (BES-2013-062999). Also, this thesis would not have been possible without the infrastructures provided by the UPV and the CSIC staff, fused into the ITQ. Furthermore, I want to acknowledge the Microscopy Service of the UPV for their support in sample microscopy characterization / Simancas Coloma, J. (2021). Synthesis and Characterization of Zeolitic Materials Using Phosphorous Organic Structure Directing Agents [Tesis doctoral]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/171267

[ES] Las enfermedades cardiovasculares son una de las causas más predominantes de muerte y comorbilidad en los países desarrollados, por ello se han realizado grandes inversiones en las últimas décadas para producir herramientas de diagnóstico y aplicaciones de tratamiento de enfermedades cardíacas de alta calidad. Una de las mejores herramientas de diagnóstico para caracterizar el corazón ha sido la imagen por resonancia magnética (IRM) gracias a sus capacidades de alta resolución tanto en la dimensión espacial como temporal, lo que permite generar imágenes dinámicas del corazón para un diagnóstico preciso. Las dimensiones del ventrículo izquierdo y la fracción de eyección derivada de ellos son los predictores más potentes de morbilidad y mortalidad cardiaca y su cuantificación tiene connotaciones importantes para el manejo y tratamiento de los pacientes. De esta forma, la IRM cardiaca es la técnica de imagen más exacta para la valoración del ventrículo izquierdo. Para obtener un diagnóstico preciso y rápido, se necesita un cálculo fiable de biomarcadores basados en imágenes a través de software de procesamiento de imágenes. Hoy en día la mayoría de las herramientas empleadas se basan en sistemas semiautomáticos de Diagnóstico Asistido por Computador (CAD) que requieren que el experto clínico interactúe con él, consumiendo un tiempo valioso de los profesionales cuyo objetivo debería ser únicamente interpretar los resultados. Un cambio de paradigma está comenzando a entrar en el sector médico donde los sistemas CAD completamente automáticos no requieren ningún tipo de interacción con el usuario. Estos sistemas están diseñados para calcular los biomarcadores necesarios para un diagnóstico correcto sin afectar el flujo de trabajo natural del médico y pueden iniciar sus cálculos en el momento en que se guarda una imagen en el sistema de archivo informático del hospital. Los sistemas CAD automáticos, aunque se consideran uno de los grandes avances en el mundo de la radiología, son extremadamente difíciles de desarrollar y dependen de tecnologías basadas en inteligencia artificial (IA) para alcanzar estándares médicos. En este contexto, el aprendizaje profundo (DL) ha surgido en la última década como la tecnología más exitosa para abordar este problema. Más específicamente, las redes neuronales convolucionales (CNN) han sido una de las técnicas más exitosas y estudiadas para el análisis de imágenes, incluidas las imágenes médicas. En este trabajo describimos las principales aplicaciones de CNN para sistemas CAD completamente automáticos para ayudar en la rutina de diagnóstico clínico mediante resonancia magnética cardíaca. El trabajo cubre los puntos principales a tener en cuenta para desarrollar tales sistemas y presenta diferentes resultados de alto impacto dentro del uso de CNN para resonancia magnética cardíaca, separados en tres proyectos diferentes que cubren su aplicación en la rutina clínica de diagnóstico, cubriendo los problemas de la segmentación, estimación automática de biomarcadores con explicabilidad y la detección de eventos. El trabajo completo presentado describe enfoques novedosos y de alto impacto para aplicar CNN al análisis de resonancia magnética cardíaca. El trabajo proporciona varios hallazgos clave, permitiendo varias formas de integración de esta reciente y creciente tecnología en sistemas CAD completamente automáticos que pueden producir resultados altamente precisos, rápidos y confiables. Los resultados descritos mejorarán e impactarán positivamente el flujo de trabajo de los expertos clínicos en un futuro próximo. / [CA] Les malalties cardiovasculars són una de les causes de mort i comorbiditat més predominants als països desenvolupats, s'han fet grans inversions en les últimes dècades per tal de produir eines de diagnòstic d'alta qualitat i aplicacions de tractament de malalties cardíaques. Una de les tècniques millor provades per caracteritzar el cor ha estat la imatge per ressonància magnètica (IRM), gràcies a les seves capacitats d'alta resolució tant en dimensions espacials com temporals, que permeten generar imatges dinàmiques del cor per a un diagnòstic precís. Les dimensions del ventricle esquerre i la fracció d'ejecció que se'n deriva són els predictors més potents de morbiditat i mortalitat cardíaca i la seva quantificació té connotacions importants per al maneig i tractament dels pacients. D'aquesta manera, la IRM cardíaca és la tècnica d'imatge més exacta per a la valoració del ventricle esquerre. Per obtenir un diagnòstic precís i ràpid, es necessita un càlcul fiable de biomarcadors basat en imatges mitjançant un programa de processament d'imatges. Actualment, la majoria de les ferramentes emprades es basen en sistemes semiautomàtics de Diagnòstic Assistit per ordinador (CAD) que requereixen que l'expert clínic interaccioni amb ell, consumint un temps valuós dels professionals, l'objectiu dels quals només hauria de ser la interpretació dels resultats. S'està començant a introduir un canvi de paradigma al sector mèdic on els sistemes CAD totalment automàtics no requereixen cap tipus d'interacció amb l'usuari. Aquests sistemes estan dissenyats per calcular els biomarcadors necessaris per a un diagnòstic correcte sense afectar el flux de treball natural del metge i poden iniciar els seus càlculs en el moment en què es deixa la imatge dins del sistema d'arxius hospitalari. Els sistemes CAD automàtics, tot i ser molt considerats com un dels propers grans avanços en el món de la radiologia, són extremadament difícils de desenvolupar i depenen de les tecnologies d'Intel·ligència Artificial (IA) per assolir els estàndards mèdics. En aquest context, l'aprenentatge profund (DL) ha sorgit durant l'última dècada com la tecnologia amb més èxit per abordar aquest problema. Més concretament, les xarxes neuronals convolucionals (CNN) han estat una de les tècniques més utilitzades i estudiades per a l'anàlisi d'imatges, inclosa la imatge mèdica. En aquest treball es descriuen les principals aplicacions de CNN per a sistemes CAD totalment automàtics per ajudar en la rutina de diagnòstic clínic mitjançant ressonància magnètica cardíaca. El treball recull els principals punts a tenir en compte per desenvolupar aquest tipus de sistemes i presenta diferents resultats d'impacte en l'ús de CNN a la ressonància magnètica cardíaca, tots separats en tres projectes principals diferents, cobrint els problemes de la segmentació, estimació automàtica de *biomarcadores amb *explicabilidad i la detecció d'esdeveniments. El treball complet presentat descriu enfocaments nous i potents per aplicar CNN a l'anàlisi de ressonància magnètica cardíaca. El treball proporciona diversos descobriments clau, que permeten la integració de diverses maneres d'aquesta tecnologia nova però en constant creixement en sistemes CAD totalment automàtics que podrien produir resultats altament precisos, ràpids i fiables. Els resultats descrits milloraran i afectaran considerablement el flux de treball dels experts clínics en un futur proper. / [EN] Cardiovascular diseases are one of the most predominant causes of death and comorbidity in developed countries, as such heavy investments have been done in recent decades in order to produce high quality diagnosis tools and treatment applications for cardiac diseases. One of the best proven tools to characterize the heart has been magnetic resonance imaging (MRI), thanks to its high-resolution capabilities in both spatial and temporal dimensions, allowing to generate dynamic imaging of the heart that enable accurate diagnosis. The dimensions of the left ventricle and the ejection fraction derived from them are the most powerful predictors of cardiac morbidity and mortality, and their quantification has important connotations for the management and treatment of patients. Thus, cardiac MRI is the most accurate imaging technique for left ventricular assessment. In order to get an accurate and fast diagnosis, reliable image-based biomarker computation through image processing software is needed. Nowadays most of the employed tools rely in semi-automatic Computer-Aided Diagnosis (CAD) systems that require the clinical expert to interact with it, consuming valuable time from the professionals whose aim should only be at interpreting results. A paradigm shift is starting to get into the medical sector where fully automatic CAD systems do not require any kind of user interaction. These systems are designed to compute any required biomarkers for a correct diagnosis without impacting the physician natural workflow and can start their computations the moment an image is saved within a hospital archive system. Automatic CAD systems, although being highly regarded as one of next big advances in the radiology world, are extremely difficult to develop and rely on Artificial Intelligence (AI) technologies in order to reach medical standards. In this context, Deep learning (DL) has emerged in the past decade as the most successful technology to address this problem. More specifically, convolutional neural networks (CNN) have been one of the most successful and studied techniques for image analysis, including medical imaging. In this work we describe the main applications of CNN for fully automatic CAD systems to help in the clinical diagnostics routine by means of cardiac MRI. The work covers the main points to take into account in order to develop such systems and presents different impactful results within the use of CNN to cardiac MRI, all separated in three different main projects covering the segmentation, automatic biomarker estimation with explainability and event detection problems. The full work presented describes novel and powerful approaches to apply CNN to cardiac MRI analysis. The work provides several key findings, enabling the integration in several ways of this novel but non-stop growing technology into fully automatic CAD systems that could produce highly accurate, fast and reliable results. The results described will greatly improve and impact the workflow of the clinical experts in the near future. / Pérez Pelegrí, M. (2023). Applications of Deep Leaning on Cardiac MRI: Design Approaches for a Computer Aided Diagnosis [Tesis doctoral]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/192988

[ES] Según la Organización Mundial de la Salud (OMS), aproximadamente mil millones de perso- nas en todo el mundo están afectadas por trastornos neurológicos periféricos y centrales, incluidos tumores cerebrales, enfermedad de Parkinson (EP), enfermedad de Alzheimer (EA), esclerosis múl- tiple (EM), epilepsia, demencia, enfermedades neuroinfecciosas, accidentes cerebrovasculares y lesiones cerebrales traumáticas. El accidente cerebrovascular isquémico y la "enfermedad de Alz- heimer con otras demencias" son la segunda y la quinta causa principal de muerte, respectivamente. En este contexto, la detección y clasificación de lesiones cerebrales constituye un área crítica de investigación en el procesamiento de imágenes médicas, impactando significativamente tanto en la práctica clínica como en el avance científico Este proyecto tiene como objetivo proponer, desarrollar e implementar un método para la de- tección y clasificación de lesiones isquémicas y enfermedades desmielinizantes en imágenes de resonancia magnética (MRI), las cuales constituyen un tipo de hiperintensidades de la sustancia blanca (WMH). Esta tarea es crucial debido a la similitud entre estas dos enfermedades; un diagnóstico erróneo por parte de un médico no capacitado o inexperto podría llevar a un tratamiento incorrecto. Por lo tanto, este proyecto busca proporcionar a la comunidad científica y clínica una herramienta que ayude en el diagnóstico de estas enfermedades, sirviendo como una segunda opinión y como un recurso de capacitación para la identificación de lesiones cerebrales El proyecto emplea diversas técnicas de aprendizaje automático y aprendizaje profundo para comprender las características de las lesiones (biomarcadores) y facilitar su detección y clasificación. Dada la limitada cantidad de datos disponibles para el desarrollo de algoritmos, se utilizaron varios enfoques de aprendizaje por transferencia, aumento de datos clásico y aumento de datos sintético. La metodología para la detección y clasificación involucró principalmente los siguientes modelos: U-Net, Segmenting Anything Model, YOLOv8 y Detectron2. Además, se propuso un modelo utilizando redes ResNet18 para la clasificación de Regiones de Interés (ROIs). Los resultados experimentales indicaron que el modelo U-Net logró un coeficiente Dice medio de 0.95 para la segmentación. El modelo Detectron2 demostró una precisión de 0.98 en la detección y de 0.93 en la clasificación de lesiones, incluidas las lesiones pequeñas donde otros modelos a menudo fallan. El clasificador de ROIs logró una precisión de clasificación de 0.96. Estos resulta- dos sugieren que los modelos propuestos podrían ser evaluados más a fondo en un entorno clínico para mejorar su rendimiento con más datos. En general, los métodos desarrollados en este proyecto presentan un marco robusto para la detección y clasificación de lesiones cerebrales utilizando téc- nicas avanzadas de aprendizaje automático. Los hallazgos indican que los modelos desarrollados podrían ayudar significativamente en los diagnósticos clínicos, proporcionando un apoyo confiable para los médicos y contribuyendo a mejores resultados para los pacientes. / [CA] Segons l'Organització Mundial de la Salut (OMS), aproximadament mil milions de persones a tot el món estan afectades per trastorns neurològics perifèrics i centrals, incloent tumors cerebrals, malaltia de Parkinson (EP), malaltia d'Alzheimer (EA), esclerosi múltiple (EM), epilèpsia, demència, malalties neuroinfeccioses, accidents cerebrovasculars i lesions cerebrals traumàtiques. L'accident cerebrovascular isquèmic i la "malaltia d'Alzheimer amb altres demències" són la segona i la cinquena causa principal de mort, respectivament. En aquest context, la detecció i classificació de lesions cerebrals constitueix una àrea crítica d'investigació en el processament d'imatges mèdiques, impactant significativament tant en la pràctica clínica com en l'avenç científic. Aquest projecte té com a objectiu proposar, desenvolupar i implementar un mètode per a la detecció i classificació de lesions isquèmiques i malalties desmielinitzants en imatges de ressonància magnètica (MRI), les quals constitueixen un tipus d'hiperintensitats de la substància blanca (WMH). Aquesta tasca és crucial a causa de la similitud entre aquestes dues malalties; un diagnòstic erroni per part d'un metge no capacitat o inexpert podria portar a un tractament incorrecte. Per tant, aquest pro- jecte busca proporcionar a la comunitat científica i clínica una eina que ajude en el diagnòstic d'aquestes malalties, servint com una segona opinió i com un recurs de capacitació per a la identificació de lesions cerebrals. El projecte empra diverses tècniques d'aprenentatge automàtic i aprenentatge profund per a com- prendre les característiques de les lesions (biomarcadors) i facilitar la seua detecció i classificació. Donada la limitada quantitat de dades disponibles per al desenvolupament d'algoritmes, s'utilitzaren diversos enfocaments d'aprenentatge per transferència, augment de dades clàssic i augment de dades sintètic. La metodologia per a la detecció i classificació va involucrar principalment els següents mo- dels: U-Net, Segmenting Anything Model, YOLOv8 i Detectron2. A més, es va proposar un model utilitzant xarxes ResNet18 per a la classificació de Regions d'Interès (ROIs). Els resultats experimentals indicaren que el model U-Net va aconseguir un coeficient Dice mitjà de 0.95 per a la segmentació. El model Detectron2 va demostrar una precisió de 0.98 en la detecció i de 0.93 en la classificació de lesions, incloent les lesions petites on altres models sovint fallen. El classificador de ROIs va aconseguir una precisió de classificació de 0.96. Aquests resultats suggereixen que els models proposats podrien ser avaluats més a fons en un entorn clínic per a millorar el seu rendiment amb més dades. En general, els mètodes desenvolupats en aquest projecte presenten un marc robust per a la detecció i classificació de lesions cerebrals utilitzant tècniques avançades d'aprenentatge automàtic. Els descobriments indiquen que els models desenvolupats podrien ajudar significativament en els diagnòstics clínics, proporcionant un suport fiable per als metges i contribuint a millors resultats per als pacients. / [EN] According to the World Health Organization (WHO), approximately one billion people worldwide are affected by peripheral and central neurological disorders, including brain tumors, Parkinson's disease (PD), Alzheimer's disease (AD), multiple sclerosis (MS), epilepsy, dementia, neuroinfectious diseases, stroke, and traumatic brain injuries. Ischemic stroke, AD, and other dementias are the second and fifth leading causes of death, respectively. In this context, detecting and classifying brain lesions constitute a critical area of research in medical imaging processing, significantly impacting both clinical practice and scientific advancement. This project aims to develop and implement a method for detecting and classifying ischemic lesions and demyelination diseases in MRI images, which are identified by White Matter Hyperintensities. This task is crucial due to the similarity between these two diseases; a misdiagnosis by an untrained or inexperienced physician could lead to incorrect treatment. Therefore, this project seeks to provide the scientific and clinical community with a tool that assists in diagnosing these diseases, serving as a second opinion and as a training resource for identifying brain lesions. The project employs machine learning and deep learning techniques to understand lesion features (biomarkers) and facilitate detection and classification. Given the amount of data available for algorithm development, several transfer learning approaches, classical data augmentation, and synthetic data augmentation methods were utilized. The methodology for detection and classification primarily involved the following models: U-Net, Segmenting Anything Model, YOLOv8, and Detectron2. Additionally, a model using ResNet18 networks was proposed to classify Regions of Interest (ROIs). Experimental results indicated that the U-Net model achieved a mean Dice coefficient of 0.94 for segmentation. The Detectron2 model demonstrated an accuracy of 0.98 in detecting and 0.93 in classifying lesions, including small lesions where other models often fail. The ROI classifier using Res- Net18 achieved a classification accuracy of 0.96. These results suggest that the proposed models could be further evaluated in a clinical environment to enhance their performance. In conclusion, the methods developed in this thesis and the findings indicate that they could significantly aid in clinical diagnostics, providing reliable support for physicians and contributing to better patient outcomes. / Castillo Malla, DP. (2024). Magnetic Resonance Image Algorithm to Identify Demyelination and Ischemia Brain Diseases [Tesis doctoral]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/211187

[ES] El dolor lumbar es una afección común que afecta a casi el 70% de la población, representando una carga significativa para el sistema de atención médica. Esta tesis se centra en extraer conocimiento médico a partir de Imágenes de Resonancia Magnética (IRM) lumbar, relacionándolas con el dolor lumbar. A través de las técnicas de aprendizaje automático (Machine Learning), se procesan extensos conjuntos de datos de IRM lumbar para desarrollar algoritmos de segmentación semántica que identifican las estructuras en la columna vertebral. El objetivo principal es mejorar la comprensión de las causas del dolor lumbar y desarrollar modelos predictivos que respalden una toma de decisiones clínicas más precisa. Simultáneamente, se busca crear un repositorio público de imágenes de columna lumbar anonimizadas y datos poblacionales para facilitar la colaboración en la investigación en este campo. Los métodos propuestos en esta tesis se centran en el análisis preciso de IRM lumbar de pacientes con antecedentes de dolor lumbar en hospitales públicos de la Comunidad Valenciana, generando dos conjuntos de datos significativos. El primero, llamado "Massive Image Data Anatomy of the Spine" (MIDAS), contiene datos de alrededor de 23,688 pacientes, equivalente a unas 124,800 IRM lumbar. Estos datos fueron recopilados de 17 departamentos de salud y sometidos a diversas fases, que incluyen la aprobación de un comité ético, la de-identificación y corrección de metadatos DICOM, y la estandarización de protocolos de adquisición. Además, se implementó una estructura de archivos estandarizada llamada " Medical Imaging Data Structure" (MIDS) para garantizar la transparencia y reproducibilidad de los datos. Este conjunto de datos está disponible para descarga bajo solicitud en https://bimcv.cipf.es/bimcv-projects/midas- 2/. El segundo conjunto de datos se creó mediante la segmentación manual de 181 IRM lumbar, realizada por dos radiólogos expertos. El propósito de esta tarea fue asignar etiquetas de clase a cada píxel de las imágenes, donde las clases se definieron según elementos anatómicos como vértebras, discos intervertebrales, nervios, vasos sanguíneos y otros tejidos, cubriendo un total de 11 elementos diferentes de la columna vertebral. Estos datos se utilizaron para diseñar y entrenar variantes de arquitecturas de Redes Neuronales Convolucionales (Convolutional Neural Networks o CNN) para la tarea de segmentación automática de IRM lumbar. Como resultado de los experimentos, esta tesis hace hincapié en la importancia de recopilar y preprocesar datos de alta calidad, así como elegir estratégicamente arquitecturas de red y técnicas de aprendizaje profundo en la segmentación semántica de imágenes médicas. Presenta topologías de red efectivas que superan al modelo U-Net estándar y resalta la versatilidad de un solo modelo para segmentar imágenes de diferentes protocolos y vistas, simplificando el desarrollo de sistemas de procesamiento de imágenes médicas. En última instancia, esta tesis representa un viaje interdisciplinario desde la ingeniería hasta la medicina, destacando la innovación de aplicar métodos de ML para obtener conjuntos de datos médicos etiquetados a gran escala. Las futuras investigaciones se centran en mejorar el conjunto de datos y desarrollar herramientas de visión por computadora para detectar y clasificar patologías de la columna lumbar. Una vez validadas clínicamente, estas innovaciones podrían revolucionar el diagnóstico clínico y la toma de decisiones médicas basadas en evidencia en este campo. / [CA] El dolor lumbar és una afecció comuna que afecta a gairebé el 70% de la població, la qual cosa representa una càrrega significativa per al sistema d'atenció mèdica. Aquesta tesi se centra a extraure coneixement mèdic a partir d'Imatges de Ressonància Magnètica (IRM) lumbar, relacionant-les amb el dolor lumbar. Mitjançant tècniques d'aprenentatge automàtic ("Machine Learning", ML), es processen extensos conjunts de dades d'IRM lumbar per tal de desenvolupar algoritmes de segmentació semàntica que identifiquen les estructures a la columna vertebral. L'objectiu principal és millorar la comprensió de les causes del dolor lumbar i desenvolupar models predictius que donen suport a una presa de decisions clíniques més precisa. Simultàniament, es busca crear un repositori públic d'imatges de columna lumbar anonimitzades i dades poblacionals per facilitar la col·laboració en la recerca en aquest camp. Els mètodes proposats en aquesta tesi se centren en l'anàlisi precisa d'IRM lumbar de pacients amb antecedents de dolor lumbar en hospitals públics de la Comunitat Valenciana, generant dos conjunts de dades significatius. El primer, anomenat "Massive Image Data Anatomy of the Spine" (MIDAS), conté dades de vora 23.688 pacients, equivalent a unes 124.800 IRM lumbars. Aquestes dades van ser recopilades de 17 departaments de salut i sotmeses a diverses fases, que inclouen l'aprovació d'un comitè ètic, la desidentificació i correcció de metadades DICOM (Digital Imaging and Communications in Medicine), i l'estandardització de protocols d'adquisició. A més, es va implementar una estructura d'arxius estandarditzada anomenada "Medical Imaging Data Structure" (MIDS) per tal de garantir la transparència i la reproducció de les dades. Aquest conjunt de dades està disponible per a descarregar sota sol·licitud a https://bimcv.cipf.es/bimcv-projects/midas-2/. El segon conjunt de dades es va crear mitjançant la segmentació manual de 181 IRM lumbars, realitzada per dos radiòlegs experts. El propòsit d'aquesta tasca va ser assignar etiquetes de classe a cada píxel de les imatges, classes que es van definir segons elements anatòmics com ara vèrtebres, discs intervertebrals, nervis, vasos sanguinis i altres teixits, tot cobrint un total d'11 elements diferents de la columna vertebral. Aquestes dades es van utilitzar per dissenyar i entrenar variants d'arquitectures de Xarxes Neuronals Convolucionals (Convolutional Neural Networks o CNN) per a la tasca de segmentació automàtica d'IRM lumbar. Com a resultat dels experiments, aquesta tesi destaca la importància de recopilar i preprocessar dades d'alta qualitat, així com de triar estratègicament arquitectures de xarxa i tècniques de DL en la segmentació semàntica d'imatges mèdiques. Presenta topologies de xarxa efectives que superen al model U-Net estàndard i destaca la versatilitat d'un sol model per a segmentar imatges de diferents protocols i vistes, simplificant el desenvolupament de sistemes de processament d'imatges mèdiques. Finalment, aquesta tesi representa un viatge interdisciplinari des de l'enginyeria fins a la medicina, tot destacant la innovació a l'hora d'aplicar mètodes d'ML per obtenir conjunts de dades mèdiques etiquetats a gran escala. Les futures investigacions se centren a millorar el conjunt de dades i desenvolupar eines de visió per ordinador per detectar i classificar patologies de la columna lumbar. Un cop validades clínicament, aquestes innovacions podrien revolucionar el diagnòstic clínic i la presa de decisions mèdiques basades en evidències en aquest camp. / [EN] Lower back pain is a common condition affecting nearly 70% of the population, representing a significant burden for the healthcare system. This thesis focuses on extracting medical knowledge from lumbar Magnetic Resonance Imaging (MRI), linking them to lower back pain. Through Machine Learning techniques, extensive lumbar MRI datasets are processed to develop semantic segmentation algorithms that identify structures in the spine. The main goal is to improve understanding of the causes of lower back pain and develop predictive models that support more accurate clinical decision-making. Simultaneously, the aim is to create a public repository of anonymized lumbar spine images and population data to facilitate collaboration in research in this field. The methods proposed in this thesis focus on the precise analysis of lumbar MRI from patients with a history of lower back pain in public hospitals of the Valencian Community, generating two significant datasets. The first, called "Massive Image Data Anatomy of the Spine" (MIDAS), contains data from around 23,688 patients, equivalent to about 124,800 lumbar MRIs. These data were collected from 17 health departments and underwent various phases, including ethical committee approval, de-identification and correction of DICOM metadata, and standardization of acquisition protocols. In addition, a standardized file structure called "Medical Imaging Data Structure" (MIDS) was implemented to ensure data transparency and reproducibility. This dataset is available for download upon request at https://bimcv.cipf.es/bimcv-projects/midas-2/. The second dataset involved the manual segmentation of 181 lumbar MRIs. Two expert radiologists performed this to assign class labels to each pixel in the images based on anatomical elements, including vertebrae, intervertebral discs, nerves, blood vessels, and other tissues, comprising 11 distinct elements of the spine. This data was utilized to design and train different Convolutional Neural Network (CNN) architectures for the automatic segmentation of lumbar MRI. As a result of the experiments, this thesis emphasizes the importance of collecting and preprocessing high-quality data and strategically choosing network architectures and DL techniques in the semantic segmentation of medical images. It presents effective network topologies that surpass the standard U-Net model and highlights the versatility of a single model to segment images from different protocols and views, simplifying the development of medical image processing systems. Ultimately, this thesis represents an interdisciplinary journey from engineering to medicine, highlighting the innovation of applying ML methods to obtain large-scale labelled medical datasets. Future research focuses on improving the dataset and developing computer vision tools to detect and classify lumbar spine pathologies. Once clinically validated, these innovations could revolutionize clinical diagnosis and evidence-based medical decision-making in this field. / Sáenz Gamboa, JJ. (2024). Machine Learning en Resonancia Magnética. Describiendo la Fisiopatología del Dolor Lumbar [Tesis doctoral]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/207346

Tres ideas fundamentales: el correlato neuronal musicopictórica, la posible existencia de universales en la música y la pintura, y el fenómeno de la evocación pictórica / Threefundamental ideas: The neural music painting correlate, the possibility of universals in music and painting and the phenomenon of music painting evocation< / Fazit: Drei Wesentliche ideen: Das neuronales musicopictorisches korrelat, Mögliche universalien in musik und malerei und das phänomen der evocation zwischen musik und malerei