Segmentación de gliomas en imagen de resonancia magnética multimodal
RESUMEN: El glioma es el tipo de tumor cerebral más común, presentando distintos grados de malignidad y agresividad, así como un pronóstico variable. La gran variabilidad que caracteriza a estas lesiones implica un estudio completamente único, así como un tratamiento personalizado. Es por esto que l...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2019 |
| País: | España |
| Institución: | Universidad de Cantabria (UC) |
| Repositorio: | UCrea Repositorio Abierto de la Universidad de Cantabria |
| Idioma: | español |
| OAI Identifier: | oai:repositorio.unican.es:10902/17859 |
| Acceso en línea: | http://hdl.handle.net/10902/17859 |
| Access Level: | acceso abierto |
| Palabra clave: | Deep Learning Glioma Segmentación Neuroimagen Imagen médica Segmentation Neuroimaging Medical image |
| Sumario: | RESUMEN: El glioma es el tipo de tumor cerebral más común, presentando distintos grados de malignidad y agresividad, así como un pronóstico variable. La gran variabilidad que caracteriza a estas lesiones implica un estudio completamente único, así como un tratamiento personalizado. Es por esto que la segmentación manual de este tipo de lesiones supone tanto un gran consumo de tiempo como un trabajo duro para el experto, el cual implica el análisis multimodal de varias secuencias diferentes, normalmente, de Resonancia Magnética. En este trabajo se presenta un modelo de segmentación automática de gliomas de alto grado, HGG, cuya arquitectura se basa en el empleo de redes neuronales convolucionales simétricas, denominada U-Net. Para el entrenamiento del modelo se ha hecho uso del conjunto de datos del Data Challenge BraTS 2018 (Brain Tumor Segmentation), compuesto por un total de 237 estudios de IRM, 162 HGG y 75 LGG, de los que solo se han empleado los primeros. Los resultados en cuanto a la obtención de mapas binarios de segmentación de los tumores han sido positivos. Se ha calculado el coeficiente DICE medio, relacionado con la calidad de la determinación de la forma del tumor, logrando 0:64 +- 0:39 para el modelo entrenado con imágenes T1, y 0:57 +- 0:41 para el modelo entrenado con secuencias T1 con contraste. Cualitativamente se ha observado además un buen desempeño a la hora de localizar espacialmente los tumores, incluso si la forma no es determinada tan precisamente. |
|---|