Data Fusion Approach Applied to Obstetrics
| Main Author: | |
|---|---|
| Publication Date: | 2024 |
| Format: | Master thesis |
| Language: | eng |
| Source: | Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) |
| Download full: | https://hdl.handle.net/10316/117961 |
Summary: | Dissertação de Mestrado em Engenharia Biomédica apresentada à Faculdade de Ciências e Tecnologia |
| id |
RCAP_b7645a80a5df20faad0dd62d9fbe7724 |
|---|---|
| oai_identifier_str |
oai:estudogeral.uc.pt:10316/117961 |
| network_acronym_str |
RCAP |
| network_name_str |
Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) |
| repository_id_str |
https://opendoar.ac.uk/repository/7160 |
| spelling |
Data Fusion Approach Applied to ObstetricsAbordagem de Fusão de Dados Aplicada a ObstetríciaData FusionObstetricsUltrasound ImagingMachine LearningFusão de DadosObstetríciaImagens EcográficasMachine LearningDissertação de Mestrado em Engenharia Biomédica apresentada à Faculdade de Ciências e TecnologiaAdequate guidance on the mode of delivery after Induction of Labour (IOL) is of paramount importance. Although several Artificial Intelligence (AI) algorithms have been developed for this purpose, they rely solely on maternal-fetal data, excluding Ultrasound (US) imaging, an indispensable tool in Obstetrics today. Several algorithms have already integrated clinical and imaging data to enhance the performance of disease diagnosis systems in the medical context. This process of combining data from multiple modalities to better simulate a real decision-making scenario is known as Data Fusion. Depending on the stage of the modelling process where the fusion occurs, three main approaches could be distinguished, namely, Early Fusion, Joint Fusion and Late Fusion. Notable researchstudies have shown that Joint Fusion, where data integration occurs in an intermediate stage of the modelling process, consistently achieves the best results in the medical context.With this in mind, a prototype is proposed based on three approaches that use the same integration stage as the Joint Fusion approach. This prototype allows the identification of the most appropriate approach to predict the outcome of Vaginal Delivery (VD) and Caesarean Section (CS) after IOL. The prototype requires two single-modality algorithms (one specific to the clinical dataset and the other to the imaging dataset) and one or more data fusion approaches. Diverse preliminary tests were conducted to justify the data fusion concept employment to the detriment of a simple ensemble learning technique. The best data fusion results demonstrate that their performance is better or, at least, comparable to all single-modality and ensemble models developed. In addition, considering the misclassified VDs, the best-performing data fusion model demonstrates the lowest value, highlighting its effectiveness. This parameter is crucial to take into account since VD is the preferred outcome after IOL and is also the most prevalent class in the dataset used in this research. Therefore, a prototype that integrates maternal-fetal data and US imaging, with the potential to become a valuable tool to assist obstetricians in decision-making about the most suitable mode of delivery for each pregnancy, is introduced.Uma orientação adequada do tipo de parto após a indução do trabalho de parto é de extrema importância. Embora tenham sido desenvolvidos vários algoritmos de Inteligência Artificial (IA) para esta finalidade, estes baseiam-se somente em dados materno-fetais, excluindo as imagens ecográficas, uma ferramenta indispensável em Obstetrícia, nos dias de hoje. Vários algoritmos integram dados clínicos e imagiológicos para melhorar o desempenho de sistemas de diagnóstico no contexto médico. Este processo de combinar dados de várias modalidades de maneira a simular um cenário real de tomada de decisão é conhecido como Fusão de Dados. Dependendo da fase do processo de modelação em que ocorre a fusão, podem ser distinguidas três abordagens principais, nomeadamente, a Fusão Precoce, a Fusão Conjunta e a Fusão Tardia. Estudos de investigação notáveis mostraram que a Fusão Conjunta, onde a integração dos dados ocorre numa fase intermédia do processo de modelação, obtém consistentemente os melhores resultados no contexto médico.Tendo isto em mente, é proposto um protótipo baseado em três abordagens que utilizam a mesma fase de integração que a abordagem de Fusão Conjunta. Este protótipo permite a identificação da abordagem mais adequada para prever o resultado de parto vaginal e de cesariana após indução do trabalho de parto. O protótipo requer dois algoritmos unimodais (um específico para o conjunto de dados clínicos e outro para o de imagens) e uma ou mais abordagens de fusão de dados. Foram efetuados diversos testes preliminares para justificar o uso do conceito de fusão de dados em detrimento de uma simples técnica de ensemble. Os melhores resultados provenientes da fusão de dados demonstram que o seu desempenho é melhor ou, no mínimo, comparável a todos os modelos unimodais e ensemble desenvolvidos. Além disso, considerando o número de previsões incorretas de partos vaginais, o melhor modelo de fusão de dados apresenta o valor mais baixo, o que realça a sua eficácia. Este parâmetro é crucial, uma vez que o parto vaginal é o resultado expectável após a indução de um trabalho de parto e é também a classe mais prevalente no conjunto de dados utilizado nesta investigação. Assim, um protótipo que integra dados materno-fetais e imagens ecográficas, com o potencial de se tornar uma valiosa ferramenta de apoio aos obstetras na tomada de decisão sobre o tipo de parto mais adequado para cada gravidez, é introduzido.Outro - This work has been supported by Project “Nexus Pacto de Inovação – Transição Verde e Digital para Transportes, Logística e Mobilidade”, ref. No. 7113, supported by the Recovery and Resilience Plan (PRR) and by the European Funds Next Generation EU, following Notice No. 02/C05-i01/2022.PC645112083-00000059 (project 53), Component 5 - Capitalisation and Business Innovation - Mobilizing Agendas for Business Innovation.2024-09-27info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttps://hdl.handle.net/10316/117961https://hdl.handle.net/10316/117961TID:203826370engPereira, Beatriz da Silva Gagoinfo:eu-repo/semantics/openAccessreponame:Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)instname:FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologiainstacron:RCAAP2025-01-22T23:51:49Zoai:estudogeral.uc.pt:10316/117961Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireinfo@rcaap.ptopendoar:https://opendoar.ac.uk/repository/71602025-05-29T06:11:50.659260Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) - FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologiafalse |
| dc.title.none.fl_str_mv |
Data Fusion Approach Applied to Obstetrics Abordagem de Fusão de Dados Aplicada a Obstetrícia |
| title |
Data Fusion Approach Applied to Obstetrics |
| spellingShingle |
Data Fusion Approach Applied to Obstetrics Pereira, Beatriz da Silva Gago Data Fusion Obstetrics Ultrasound Imaging Machine Learning Fusão de Dados Obstetrícia Imagens Ecográficas Machine Learning |
| title_short |
Data Fusion Approach Applied to Obstetrics |
| title_full |
Data Fusion Approach Applied to Obstetrics |
| title_fullStr |
Data Fusion Approach Applied to Obstetrics |
| title_full_unstemmed |
Data Fusion Approach Applied to Obstetrics |
| title_sort |
Data Fusion Approach Applied to Obstetrics |
| author |
Pereira, Beatriz da Silva Gago |
| author_facet |
Pereira, Beatriz da Silva Gago |
| author_role |
author |
| dc.contributor.author.fl_str_mv |
Pereira, Beatriz da Silva Gago |
| dc.subject.por.fl_str_mv |
Data Fusion Obstetrics Ultrasound Imaging Machine Learning Fusão de Dados Obstetrícia Imagens Ecográficas Machine Learning |
| topic |
Data Fusion Obstetrics Ultrasound Imaging Machine Learning Fusão de Dados Obstetrícia Imagens Ecográficas Machine Learning |
| description |
Dissertação de Mestrado em Engenharia Biomédica apresentada à Faculdade de Ciências e Tecnologia |
| publishDate |
2024 |
| dc.date.none.fl_str_mv |
2024-09-27 |
| dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| format |
masterThesis |
| status_str |
publishedVersion |
| dc.identifier.uri.fl_str_mv |
https://hdl.handle.net/10316/117961 https://hdl.handle.net/10316/117961 TID:203826370 |
| url |
https://hdl.handle.net/10316/117961 |
| identifier_str_mv |
TID:203826370 |
| dc.language.iso.fl_str_mv |
eng |
| language |
eng |
| dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
| eu_rights_str_mv |
openAccess |
| dc.source.none.fl_str_mv |
reponame:Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) instname:FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia instacron:RCAAP |
| instname_str |
FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia |
| instacron_str |
RCAAP |
| institution |
RCAAP |
| reponame_str |
Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) |
| collection |
Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) |
| repository.name.fl_str_mv |
Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) - FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia |
| repository.mail.fl_str_mv |
info@rcaap.pt |
| _version_ |
1833602611023970304 |