Existe una gran cantidad de algoritmos para la segmentación de volúmenes médicos, en general están diseñados para propósitos específicos y no para una segmentación multiclase general. En el caso de la imagenología por resonancia magnética, no hay una excepción, porque se conocen métodos que hacen uso de redes neuronales convencionales, redes convolucionales o una combinación de ellas, pero en su mayoría se aplican a imágenes 2D que componen un volumen. Además, la mayoría de las investigaciones que exploran la segmentación directa de volúmenes 3D tienen como objetivo resolver la clasificación binaria (tumoral, por ejemplo). Este trabajo propone un enfoque general para la segmentación 3D directa de volúmenes de resonancia magnética cerebral basada en datos, específicamente utilizando un sistema de filtrado espacial compuesto por el algoritmo del corrimiento de media potenciado con la participación de un mapa de confianza de bordes, para después acoplar el volumen filtrado a una red neuronal profunda, ambos métodos tomados del dominio del aprendizaje automático. El objetivo del filtrado espacial es preparar los volúmenes para la entrada a la red profunda, produciendo volúmenes más claros, limpios y contrastados entre clases para el sistema de aprendizaje profundo. Esto a su vez reduce el número de capas ocultas de la red, mejora el proceso de entrenamiento al producir curvas de aprendizaje más suaves (pérdida y precisión) y, finalmente, ofrece segmentaciones con un menor porcentaje de error de clasificación. El sistema clasifica la materia gris, la materia blanca, el líquido cefalorraquídeo, el cráneo y el fondo, operando directamente en el espacio volumétrico 3D, esto con valores de precisión de cada prueba establecida en la validación cruzada que superan el 95 % y el modelo final presentado tiene una precisión del 97,56 % (± 1,18 %) . Por otro lado, las curvas de aprendizaje reportadas muestran que la aplicación previa del filtrado, por corrimiento de media más el mapa de confianza de borde, a la segmentación de la red, produce volúmenes que facilitan el curso del entrenamiento de la red, con progresiones parsimoniosas y estables en los valores de error y precisión, época en época, en comparación a un sistema de las mismas características pero sin el uso del filtro espacial. Además, dado que el filtrado espacial exige un alto tiempo de ejecución, se realizó una implementación en un entorno acelerado por GPU y a su vez, este recurso fue aprovechado para el entrenamiento y la evaluación de la red, lo que redujo de sobremanera los tiempos de procesamiento de todos los métodos.
Relaciones
| En Conjunto Administrativo: |
|
|---|
Descripciones
| Nombre del atributo | Valores |
|---|
| Creador |
|
|---|
| Colaboradores |
|
|---|
| Tema |
|
|---|
| Editor |
|
|---|
| Idioma |
|
|---|
| Palabra Clave |
|
|---|
| Año de publicación |
|
|---|
| Tipo de Recurso |
|
|---|
| Derechos |
|
|---|
| División académica |
|
|---|
| Línea académica |
|
|---|
| Licencia |
|
|---|
