Brain tumor segmentation based on 2D U-Net using MRI multi-modalities brain images / Daniela Verónica Tene Hurtado ; tutor Diego Alfonso Almeida Galárraga

Trabajo de integración curricular (Ingeniero/a Biomédico/a). Universidad de Investigación de Tecnología Experimental Yachay. Urcuquí, 2021

Incluye referencias bibliográficas (páginas 52-58)

Trabajo de integración curricular con acceso abierto

Texto (Hypertexto links)

Un tumor cerebral es una masa de células anormales que crece de forma incontrolada en el cerebro o en la columna vertebral. El glioblastoma es el tumor cerebral primario maligno más frecuente, ya que representa más del 48.6 \% de todos los tumores cerebrales primarios malignos, y el 14.5 \% de todos los tumores cerebrales primrios. Independientemente del diagnóstico, la morbilidad y la mortalidad que representa un tumor localizado en el cerebro siguen siendo importantes. La tasa de supervivencia relativa a los 5 años es de aproximadamente el 7,2 \%, lo que significa que sólo el 7,2 \% de las personas diagnosticadas con glioblastoma vivirán 5 años después del diagnóstico; la supervivencia media es de aproximadamente 8 meses. Detectar la presencia de tumores cerebrales mediante imágenes de resonancia magnética de forma rápida, precisa y reproducible es una tarea difícil pero necesaria. La segmentación de los tumores cerebrales es un factor clave para el análisis de los gliomas, implica la delineación de las diferentes regiones tumorales, incluyendo el edema peritumoral, el tumor realzante y el núcleo del tumor. Actualmente, existen diferentes metodologías en la literature que implementan la técnica de segmentación tumoral para mejorar el diagnóstico y el plan de tratamiento. La metodología propuesta consiste en una egmentación automatizada de tumores cerebrales con el uso de redes neuronales en particular U-Net y Attention U-Net, ambas arquitecturas son altamente empleadas para la segmentación rápida y precisa de imágenes biomédicas. Estos metodos se evaluarón en elconjunto de datos BraTS 2020. Se obtuvó una precisión de 0,9950 para ambos modelos, y una sensibilidad de 0,9931 y 0,9891 para los modelos U-Net y Attention U-Net, respectivamente. Asimismo se valoró el coeficiente de Sorensen, el modelo U-Net obtuvó valores para el edema peritumoral, tumor en aumento y núcleo del tumor de 0,8453, 0,695 y 0,7429 respectivamente. De igual manera, para el modelo de Attention U-Net, se alcanzó una un coeficiente de 0,8829, 0,7233 y 0,8090. El estudio presenta y analiza otras evaluaciones cuantitativas y cualitativas. Los resultados muestran que ambos enfoques tienen un potencial considerable y pueden emplearse en la práctica clínica en la segmentación de varias subregiones de tumores cerebrales.

Textos en inglés con resúmenes en español e inglés