Segmentación automática del glioblastoma multiforme

En este trabajo se diseñó un método automático para la segmentación tridimensional del glioblastoma multiforme (GBM) con sus zonas internas de tumor activo, necrosis, y edema periférico difuso, combinando técnicas clásicas de procesamiento de imágenes con la aplicación de redes neuronales. En primer...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Hyde Lord, Victoria
Otros Autores: Suárez, Cecilia
Formato: Proyecto final de grado
Lenguaje:Español
Publicado: 2024
Materias:
GLIOBLASTOMA
PROCESAMIENTO DE IMAGEN
SEGMENTACIÓN
REDES NEURONALES
Acceso en línea:https://ri.itba.edu.ar/handle/20.500.14769/4258
Aporte de:
Repositorio Institucional Instituto Tecnológico de Buenos Aires (ITBA) de Instituto Tecnológico de Buenos Aires (ITBA)
id I32-R138-20.500.14769-4258
record_format dspace
spelling I32-R138-20.500.14769-42582026-01-15T15:08:26Z Segmentación automática del glioblastoma multiforme Hyde Lord, Victoria Suárez, Cecilia GLIOBLASTOMA PROCESAMIENTO DE IMAGEN SEGMENTACIÓN REDES NEURONALES En este trabajo se diseñó un método automático para la segmentación tridimensional del glioblastoma multiforme (GBM) con sus zonas internas de tumor activo, necrosis, y edema periférico difuso, combinando técnicas clásicas de procesamiento de imágenes con la aplicación de redes neuronales. En primer lugar, se realizaron segmentaciones preliminares automáticas de la región de interés (ROI) completa y del tumor activo en base a las cuatro modalidades básicas de resonancia magnética (MRI) y a métodos clásicos de procesamiento de imágenes. En especial, la umbralización por el método de Otsu, permitió aislar zonas intensas asociadas al tumor de las cuales se determinó su volumen. La segmentación preliminar de la ROI, de volumen menor a 200 cm3, se realizó en base a las modalidades FLAIR y T2. Para esto, se aplicó erosión morfológica, crecimiento de regiones por contornos activos de Chan-Vese y rellenado de huecos. Por otro lado, la segmentación preliminar del tumor activo, de volumen menor a la cuarta parte de la segmentación preliminar de la ROI, se realizó en base a la modalidad T1c. Luego, las segmentaciones preliminares se corrigieron con una red neuronal Perceptron multicapa alimentada con 30 características de textura e intensidades de gris. Finalmente, en un paso de post-procesamiento, se aplicó un rellenado de huecos. La red clasificó con una exactitud total del 83.9 %, y el algoritmo completo logró coeficientes de similitud Dice de 89.3 %, 80.7 %, 79.7 %, 66.4% y 83.7% para las segmentaciones de la ROI, tumor activo, edema, necrosis y centro tumoral. 2024-01-02T19:25:00Z 2024-01-02T19:25:00Z 2023-09-11 Proyecto final de grado https://ri.itba.edu.ar/handle/20.500.14769/4258 es application/pdf
institution Instituto Tecnológico de Buenos Aires (ITBA)
institution_str I-32
repository_str R-138
collection Repositorio Institucional Instituto Tecnológico de Buenos Aires (ITBA)
language Español
topic GLIOBLASTOMA
PROCESAMIENTO DE IMAGEN
SEGMENTACIÓN
REDES NEURONALES
spellingShingle GLIOBLASTOMA
PROCESAMIENTO DE IMAGEN
SEGMENTACIÓN
REDES NEURONALES
Hyde Lord, Victoria
Segmentación automática del glioblastoma multiforme
topic_facet GLIOBLASTOMA
PROCESAMIENTO DE IMAGEN
SEGMENTACIÓN
REDES NEURONALES
description En este trabajo se diseñó un método automático para la segmentación tridimensional del glioblastoma multiforme (GBM) con sus zonas internas de tumor activo, necrosis, y edema periférico difuso, combinando técnicas clásicas de procesamiento de imágenes con la aplicación de redes neuronales. En primer lugar, se realizaron segmentaciones preliminares automáticas de la región de interés (ROI) completa y del tumor activo en base a las cuatro modalidades básicas de resonancia magnética (MRI) y a métodos clásicos de procesamiento de imágenes. En especial, la umbralización por el método de Otsu, permitió aislar zonas intensas asociadas al tumor de las cuales se determinó su volumen. La segmentación preliminar de la ROI, de volumen menor a 200 cm3, se realizó en base a las modalidades FLAIR y T2. Para esto, se aplicó erosión morfológica, crecimiento de regiones por contornos activos de Chan-Vese y rellenado de huecos. Por otro lado, la segmentación preliminar del tumor activo, de volumen menor a la cuarta parte de la segmentación preliminar de la ROI, se realizó en base a la modalidad T1c. Luego, las segmentaciones preliminares se corrigieron con una red neuronal Perceptron multicapa alimentada con 30 características de textura e intensidades de gris. Finalmente, en un paso de post-procesamiento, se aplicó un rellenado de huecos. La red clasificó con una exactitud total del 83.9 %, y el algoritmo completo logró coeficientes de similitud Dice de 89.3 %, 80.7 %, 79.7 %, 66.4% y 83.7% para las segmentaciones de la ROI, tumor activo, edema, necrosis y centro tumoral.
author2 Suárez, Cecilia
author_facet Suárez, Cecilia
Hyde Lord, Victoria
format Proyecto final de grado
author Hyde Lord, Victoria
author_sort Hyde Lord, Victoria
title Segmentación automática del glioblastoma multiforme
title_short Segmentación automática del glioblastoma multiforme
title_full Segmentación automática del glioblastoma multiforme
title_fullStr Segmentación automática del glioblastoma multiforme
title_full_unstemmed Segmentación automática del glioblastoma multiforme
title_sort segmentación automática del glioblastoma multiforme
publishDate 2024
url https://ri.itba.edu.ar/handle/20.500.14769/4258
work_keys_str_mv AT hydelordvictoria segmentacionautomaticadelglioblastomamultiforme
_version_ 1865139247210561536

Ejemplares similares