Resumen

Uno de los principales requisitos de la extracción de tumores es la anotación y segmentación correcta de los límites tumorales. Para ello, presentamos una arquitectura de aprendizaje profundo triple. En primer lugar, se implementan clasificadores con una red neuronal convolucional profunda (CNN) y, en segundo lugar, se realiza una red neuronal convolucional basada en regiones (R-CNN) en las imágenes clasificadas para localizar las regiones tumorales de interés. Como tercera y última etapa, se contornea el límite del tumor concentrado para el proceso de segmentación mediante el algoritmo de segmentación de Chan-Vese. Dado que los algoritmos típicos de detección de bordes basados en gradientes de intensidad de píxeles tienden a fallar en el proceso de segmentación de imágenes médicas, se propone un algoritmo de contorno activo definido con la función de conjunto de niveles. En concreto, se aplicó el algoritmo de Chan-Vese para detectar los límites del tumor para el proceso de segmentación. Para evaluar el rendimiento del sistema global, se calcularon la puntuación Dice, el índice Rand (RI), la variación de información (VOI), el error de consistencia global (GCE), el error de desplazamiento de límites (BDE), el error medio absoluto (MAE) y la relación señal-ruido pico (PSNR) comparando el área de límites segmentada, que es el resultado final de la propuesta, con las demarcaciones de los especialistas del sujeto, que es el patrón oro. El rendimiento global de la arquitectura propuesta para la segmentación de gliomas y meningiomas es de una puntuación Dice media de 0,92 (también con RI de 0,9936, VOI de 0,0301, GCE de 0,004, BDE de 2,099, PSNR de 77,076 y MAE de 52,946), lo que indica la alta fiabilidad de la arquitectura propuesta.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:arquitectura, proceso de segmentación, límites tumorales, red neuronal convolucional profunda, proceso de segmentación de imágenes médicas, algoritmos típicos de detección de bordes, Error de Desplazamiento de Límites, Error de Consistencia Global, Error Absoluto Medio, algoritmo de segmentación Vese
• Keywords:architecture, segmentation process, tumor boundaries, deep convolutional neural network, medical image segmentation process, typical edge detection algorithms, Boundary Displacement Error, Global Consistency Error, Mean Absolute Error, Vese segmentation algorithm