Estimulació beta-adrenèrgica en la síndrome del destret respiratori agut (SDRA)

Estudi elaborat a partir d’una estada al Royal Brompton Hospital, Londres, Regne Unit, durant octubre i novembre del 2006.Els beneficis de la estimulació beta-adrenèrgica en pacients amb lesió pulmonar aguda (LPA) són coneguts, però no es disposa de dades sobre el possible efecte antiinflamatori. El condensat d'aire exhalat (CAE) és una tècnica no-invasiva de recollida de mostres del tracte respiratori inferior, podent ser útil en la monitorització de patologies respiratòries. S’ha usat marcadors biològics en el CAE de pacients ventilats mecànicament amb LPA per estudiar el possible efecte antiinflamatori que el salbutamol hi podria exercir. El CAE va ser recollit abans i després de l'administració de salbutamol inahalat. Inmediatament després es va mesurar la conductivitat i el pH abans i després de la desgasificació amb heli. Es va mesurar la concentració de nitrits i nitrats. Les mostres varen ser liofilitzades i guardades a -80ºC. La concentració de leucotriè B4 es va mesurar després de la reconstitució de la mostra. Els resultats s'expressen com a mitjana (error estàndard de la mostra). No s'han detectat diferències entre els valors de CAE basals dels pacients amb LPA i els de referència de la població sana de Barcelona. Es conclou doncs que el CAE és una tècnica no invasiva que pot ser usada en la monitorització de paceints ventilats mecànicament. El salbutamol inhalat incrementa de manera significativa el pH del CAE dels paceints amb LPA, tot i que un efecte directe de la inhalació de slabutamol no pot ser desestimat.

Scene classifier for real time road detection

L’objectiu principal del projecte és el de classificar escenes de carretera en funció del contingut de les imatges per així poder fer un desglossament sobre quin tipus de situació tenim en el moment. És important que fixem els paràmetres necessaris en funció de l’escenari en què ens trobem per tal de treure el màxim rendiment possible a cada un dels algoritmes. La seva funcionalitat doncs, ha de ser la d’avís i suport davant els diferents escenaris de conducció. És a dir, el resultat final ha de contenir un algoritme o aplicació capaç de classificar les imatges d’entrada en diferents tipus amb la màxima eficiència espacial i temporal possible. L’algoritme haurà de classificar les imatges en diferents escenaris. Els algoritmes hauran de ser parametritzables i fàcilment manejables per l’usuari. L’eina utilitzada per aconseguir aquests objectius serà el MATLAB amb les toolboxs de visió i xarxes neuronals instal·lades.

Intestinal content detection in capsule endoscopy using robust features

This work covers two aspects. First, it generally compares and summarizes the similarities and differences of state of the art feature detector and descriptor and second it presents a novel approach of detecting intestinal content (in particular bubbles) in capsule endoscopy images. Feature detectors and descriptors providing invariance to change of perspective, scale, signal-noise-ratio and lighting conditions are important and interesting topics in current research and the number of possible applications seems to be numberless. After analysing a selection of in the literature presented approaches, this work investigates in their suitability for applications information extraction in capsule endoscopy images. Eventually, a very good performing detector of intestinal content in capsule endoscopy images is presented. A accurate detection of intestinal content is crucial for all kinds of machine learning approaches and other analysis on capsule endoscopy studies because they occlude the field of view of the capsule camera and therefore those frames need to be excluded from analysis. As a so called “byproduct” of this investigation a graphical user interface supported Feature Analysis Tool is presented to execute and compare the discussed feature detectors and descriptor on arbitrary images, with configurable parameters and visualized their output. As well the presented bubble classifier is part of this tool and if a ground truth is available (or can also be generated using this tool) a detailed visualization of the validation result will be performed.