Segmentación semántica mejorada del glioma utilizando arquitecturas U-net y U-net de columna vertebral preentrenadas

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• Neuro-oncología

Sus antecedentes:

• Los gliomas presentan subregiones distintas (edema, tumor necrótico, activo) cruciales para la planificación del tratamiento.
• La segmentación precisa de estas regiones es vital para el tratamiento eficaz del glioma.

Objetivo del estudio:

• Evaluar las redes troncales U-Net y U-Net preentrenadas para la segmentación semántica del glioma utilizando datos de resonancia magnética multimodal.
• Evaluar el rendimiento de ResNet, Inception y VGG como columna vertebral dentro de la arquitectura de U-Net.

Principales métodos:

• Utilizó el conjunto de datos del desafío BraTS 2021 para capacitación, validación y pruebas.
• Arquitectura U-Net aplicada con columnas vertebrales de ImageNet previamente entrenadas (ResNet, Inception y VGG).
• Evaluación del rendimiento de la red mediante el uso de Accuracy (ACC) y Intersection over Union (IoU).

Principales resultados:

• ResNet-U-Net entrenado con T1 después de la mejora del contraste (T1Gd) demostró el mayor ACC y IoU para las regiones tumorales necróticas y activas.
• ResNet-U-Net entrenado con recuperación de inversión atenuada por fluido T2 (T2-FLAIR) resultó adecuado para la segmentación del edema.
• El marco propuesto extrae efectivamente la información semántica para mejorar la segmentación del glioma.

Conclusiones:

• ResNet-U-Net muestra una promesa significativa para la extracción automatizada de la región del glioma, ayudando a los médicos en la toma de decisiones clínicas.
• El estudio valida la utilidad práctica y la base científica del marco de aprendizaje profundo propuesto para la segmentación del glioma.