Resumen

Los tumores cerebrales pueden aparecer en cualquier parte del cerebro y tener tamaños y morfologías muy diferentes. Además, estos tumores suelen ser difusos y poco contrastados. En consecuencia, la segmentación de tumores cerebrales y subregiones intratumorales a partir de datos de resonancia magnética (RM) con intervenciones humanas mínimas sigue siendo una tarea difícil. En este artículo, presentamos un novedoso método de segmentación totalmente automático a partir de datos de IRM que contienen gliomas cerebrales in vivo. Este enfoque no sólo puede localizar toda la región tumoral, sino que también puede segmentar con precisión la estructura intratumoral. El trabajo propuesto se basa en una red neuronal convolucional de aprendizaje profundo en cascada que consta de dos subredes: (1) una red de localización de tumores (TLN) y (2) una red de clasificación intratumoral (ITCN). La TLN, una red totalmente convolucional (FCN) junto con la tecnología de aprendizaje por transferencia, se utilizó para procesar primero los datos de IRM. El objetivo de la primera subred era definir la región tumoral a partir de un corte de IRM. A continuación, se utilizó la ITCN para etiquetar la región tumoral definida en múltiples subregiones. En particular, la ITCN explotó una red neuronal convolucional (CNN) con una arquitectura más profunda y un núcleo más pequeño. El enfoque propuesto se validó en conjuntos de datos de segmentación multimodal de tumores cerebrales (BRATS 2015), que contienen 220 casos de glioma de alto grado (HGG) y 54 de glioma de bajo grado (LGG). Como métricas de evaluación se utilizaron el coeficiente de similitud de dados (DSC), el valor predictivo positivo (PPV) y la sensibilidad. Nuestros resultados experimentales indicaron que nuestro método podía obtener resultados de segmentación prometedores y tenía una velocidad de segmentación más rápida. Más concretamente, el método propuesto obtuvo valores de DSC comparables y globalmente mejores (0,89, 0,77 y 0,80) en el conjunto de pruebas combinado (HGG LGG), en comparación con otros métodos descritos en la bibliografía. Además, el método propuesto fue capaz de completar una tarea de segmentación a una velocidad de 1,54 segundos por corte.

• Materias:Señales orofaciales Clasificación del cáncer Terapia de exposición Resonancias magnéticas Medicina de precisión
• Subjects:Orofacial signals Cancer classification Exposure therapy Magnetic resonance imaging Precision medicine
• Palabras claves:red neuronal convolucional, ITCN, enfoque, glioma de grado, región tumoral, datos de IRM de primer proceso, segmentación multimodal de tumores cerebrales, mejores valores generales de DSC, coeficiente de similitud Dice, método de segmentación automática.
• Keywords:convolutional neural network, ITCN, approach, grade glioma, tumor region, first process MRI data, multimodal brain tumor segmentation, overall better DSC values, Dice similarity coefficient, automatic segmentation method