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

Abstract

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.