%0 Tesiuam %T Modelo híbrido para la segmentación de imágenes cerebrales multiespectrales de resonancia magnética %A Valdés Cristerna, Raquel %D 2003-12 %8 2020-03-27 %E Bribiesca Correa, Ernesto; Algorri Guzmán, María Elena; Medina Bañuelos, Verónica; Roux, Christian; Saavedra Barrera, Patricia %I Universidad Autónoma Metropolitana %R https://doi.org/10.24275/uami.1r66j1238 %X La segmentación de imágenes cerebrales, es un procedimiento necesario en aplicaciones médicas tales como, el análisis cuantitativo de la morfología de estructuras neurológicas para diagnóstico diferencial; o bien para la planeación de neurocirugías; o el estudio de la evolución temporal de un padecimiento o tratamiento específicos; los resultados de la segmentación de imágenes cerebrales también pueden coadyuvar a la generación de atlas neurológicos poblacionales. El estudio clínico de referencia es el de Resonancia Magnética, dada su capacidad para generar imágenes con una alta resolución espacial y la posibilidad de caracterizar diferentes tejidos neurológicos en un espacio multidimensional. Existen diversas propuestas para resolver el problema de la segmentación de imágenes cerebrales de Resonancia Magnética, tanto en una aproximación de segmentación por regiones como en la segmentación por contornos, sin embargo, aún se considera un problema abierto. Se han propuesto técnicas de segmentación basadas en clasificadores bayesianos o modelos de estimación no paramétrica, que en términos generales presentan problemas de definición en los bordes de las estructuras a segmentar; por otro lado se han propuesto técnicas de segmentación por contornos activos que resaltan por su desempeño en la localización del borde, sin embargo presentan problemas de convergencia. Las propuestas híbridas han arrojado mejores resultados.; En este trabajo de investigación se propuso un modelo híbrido de segmentación de imágenes cerebrales multiespectrales de Resonancia Magnética que acopla, un modelo de clasificación supervisada, basado en una red neuronal con funciones de activación con base radial, con un modelo de contornos activos basado en una interpolación con splines cúbicos. La hibridación del modelo se planteó en dos momentos, el primero de ellos consistió en que la red neuronal hiciera la función de presegmentador y proporcionara un contorno inicial para el modelo de contornos activos; el segundo momento consistió en integrar en el término de energía del contorno activo un componente de restricción que se deriva directamente de los mapas de probabilidad posterior generados por la red; la combinación de este término de restricción con el término de energía de la imagen, coadyuvan en la convergencia del contorno final hacia el borde deseado, que en este trabajo fue el borde materia gris-materia blanca. Se probaron diferentes términos de energía derivados de la imagen, entre ellos el promedio de magnitudes de los gradientes para cada banda de intensidad, la magnitud del gradiente sobre la imagen multiespectral y el flujo de vector gradiente.; El mejor resultado se obtuvo para un término compuesto por una operación no lineal sobre el promedio de magnitudes de gradientes monoespectrales. Se valoraron dos tipos de acoplamiento entre la Red con Funciones de Base Radial y el modelo de contorno activo. El primero de ellos se denominó acoplamiento estático, debido a que la incorporación de la fuerza de restricción en el término de energía del contorno activo permanece sin cambio a lo largo del proceso de búsqueda del contorno final. En el acoplamiento dinámico se propone un lazo de retroalimentación, que liga la salida del contorno activo en cada iteración, con un ajuste de los parámetros de la red. Se presume que en cada iteración, la búsqueda del contorno deseado mejora, con esta información es posible actualizar los parámetros de la red que influyen en la región limitada por el contorno. Este ajuste a su vez, mejora la calidad del término de restricción que es empleado por el modelo de los contornos activos para realizar la siguiente iteración en la búsqueda del contorno óptimo. Como parte del pre-procesamiento de las imágenes, se planteó una normalización del espacio de intensidades. las variaciones en los protocolos de generación de las imágenes multiespectrales, producen imágenes cuya estadística es diferente al conjunto de aquellas empleadas para entrenar la red neuronal, sin embargo, la estructura de la distribución de las clases de tejido de interés se conserva, por lo que se empleó la transformación de Karhunen-loeve para normalizar los espacios de intensidad. Para la depuración de la estructura inicial de la red, se empleó un conjunto de imágenes reales provistas por el Hospital ABC. Para las pruebas del modelo híbrido propuesto, se emplearon imágenes cerebrales multiespectrales de RM, provistas por el simulador del Instituto Neurológico de Montréal (INM); el mismo Instituto provee el volumen etiquetado de referencia para validación de algoritmos de segmentación. Finalmente se aplicó el modelo a dos conjuntos de imágenes reales, generados bajo el protocolo ICBM y provistos también por el INM. Se realizó una comparación de los resultados obtenidos con el modelo propuesto y otros paradigmas de segmentación. De acuerdo al parámetro de evaluación del desempeño usado, el modelo propuesto obtuvo resultados muy favorables. Como resultado de la pre-segmentación con la red neuronal se obtuvo un indice de Tanimoto medio de 0.72, cabe señalar que para otros métodos de segmentación de imágenes cerebrales, este índice representa una mejora entre el 4% al 6%. El Índice de Tanimoto medio para el modelo híbrido fue de 0.74. En conclusión, se confirmó la hipótesis de trabajo referente a que la segmentación de las imágenes de RM, se ve favorecida si se considera información multiespectral en lugar de sólo considerar información monoespectral. Se confirma también la hipótesis de que, el modelo híbrido mejora los resultados que pueden obtener individualmente cada uno de los modelos acoplados. %G spa %[ 2023-12-22 %9 info:eu-repo/semantics/doctoralThesis %~ UAM %W UAM