Resumen de Segmentación de tejido cerebral mediante redes neuronales convolucionales basadas en U-Net

David Jiménez Murillo, Stiven Alexander Henao Garcés, Andrés Eduardo Castro Ospina, Leonardo Duque Muñoz, Daniel Nieto Mora

• español

  La Resonancia Magnética (MRI, por sus siglas en inglés) es un método no invasivo que produce imágenes anatómicas volumétricas de alta resolución. Este método se utiliza comúnmente para diagnosticar diversas patologías cerebrales, como enfermedades desmielinizantes, demencia, enfermedades cerebrovasculares, epilepsia, entre otras. Sin embargo, la segmentación manual de tejidos en estas imágenes es una tarea compleja que requiere una cantidad significativa de tiempo y esfuerzo por parte de especialistas. Para abordar esto, se han propuesto diversas estrategias en la literatura que implican menos participación de expertos, tanto automáticas como semiautomáticas. En este estudio, se realiza una comparación entre una red neuronal convolucional basada en la arquitectura U-Net y otros dos métodos de segmentación de MRI, Dipy y FSL. La comparación utiliza tres conjuntos de datos disponibles públicamente, MRBrainS13, MRBrainS18 e IBSR, que contienen volúmenes de MRI con tejidos cerebrales segmentados manualmente. El rendimiento de cada método se evalúa usando el coeficiente de Dice, el índice de Jaccard, el área bajo la curva y la similitud estructural. Los resultados demuestran que los métodos basados en redes neuronales convolucionales logran mejorar la segmentación de tejido cerebral.

• English

  Magnetic Resonance Imaging (MRI) is a non-invasive method that produces volumetric, high-resolution anatomy images. This method is commonly used for diagnosing various brain pathologies, such as demyelinating diseases, dementia, cerebrovascular diseases, and epilepsy, among others. However, manually segmenting tissues in these images is a complex task that requires a significant amount of time and effort from specialists. To address this, various strategies have been proposed in the literature that involve less expert involvement, both automatic and semi-automatic. In this study, a comparison is made between a convolutional neural network based on U-Net architecture and two other MRI segmentation methods, Dipy and FSL. The comparison uses three publicly available datasets, MRBrainS13, MRBrainS18, and IBSR, which contain MRI volumes with manually segmented brain tissues. The performance of each method is evaluated using four measures of similarity: The Dice coefficient, the Jaccard index, the area under the curve, and structural similarity. The results demonstrate that the methods based on convolutional neural networks achieve segmentations that are more