Resumen

En este trabajo se propone un novedoso método automático de segmentación tridimensional (3D) de imágenes por resonancia magnética (IRM) que se utilizaría ampliamente en el diagnóstico clínico del tumor cerebral más común y agresivo, a saber, el glioma. El método combinaba una red neuronal convolucional (CNN) multivía y un campo aleatorio condicional (CRF) totalmente conectado. En primer lugar, se introdujo información 3D en la CNN, lo que permite un reconocimiento más preciso del glioma con bajo contraste. A continuación, se añadió un CRF totalmente conectado como paso de posprocesamiento para delinear con más precisión los límites del glioma. El método se aplicó a imágenes de resonancia magnética T2flair de 160 pacientes con glioma de bajo grado. Con 59 casos de datos de entrenamiento y segmentación manual como verdad básica, el coeficiente de similitud Dice (DSC) de nuestro método fue de 0,85 para el conjunto de prueba de 101 imágenes de RM. Los resultados de nuestro método fueron mejores que los de otro método CNN de última generación, que obtuvo el DSC de 0,76 para el mismo conjunto de datos. Esto demostró que nuestro método podía producir mejores resultados para la segmentación de gliomas de bajo grado.

• Materias:Algoritmos de aprendizaje Transductores de ultrasonido Ingeniería de atención Estudio biomecánico Ortesis progresivas estáticas
• Subjects:Learning algorithms Ultrasound transducers Care engineering Biomechanical study Static progressive orthoses
• Palabras claves:método, red neuronal convolucional multivía, coeficiente de similitud Dice, imágenes de resonancia magnética T2flair, tumor cerebral agresivo, método CNN de arte, campo aleatorio condicional, pacientes con glioma de grado, imágenes de resonancia magnética, CNN
• Keywords:method, multipathway convolutional neural network, Dice similarity coefficient, T2flair MRI images, aggressive brain tumor, art CNN method, conditional random field, grade glioma patients, magnetic resonance imaging, CNN