Segmentación de Tumores Cerebrales en Imágenes de Resonancia Magnética
Descripción
Los gliomas son los tumores primarios más comunes en el cerebro, existen 2 tipos, los gliomas de alto grado (son malignos con un crecimiento muy acelerado) y los de bajo grado (crecimiento más lento, mejor pronóstico para el paciente). Para evaluar la progresión, planificar el tratamiento y evaluar esta enfermedad se utilizan las imágenes de resonancia magnética.
Para un correcto seguimiento de la evolución del tumor, para planificar el tratamiento y para hacer las distintas mediciones que se tienen que hacer es necesario delimitar o segmentar el tumor en la imagen. Si se quiere hacer de forma manual es un procedimiento muy complicado y meticuloso, por lo que es necesario el uso de otros procedimientos para este fin. Aquí es donde entra a tallar las herramientas de Inteligencia Artificial para que nos ayuden con esta tarea.
Herramientas
Redes Neuronales Convolucionales
Las redes neuronales convolucionales son aquellas en las que están compuestas “neuronas” ordenadas y conectadas de una manera similar a las neuronas de la corteza cerebral, y es muy efectivo en tareas que requieren la manipulación de imágenes a un alto costo computacional.
Redes Neuronales Convolucionales en Cascada
En el artículo “Automatic Brain Tumor Segmentation Based on Cascaded Convolutional Neural Networks With Uncertainty Estimation” se usa una cascada de 3 redes neuronales convolucionales, en la primera red toma como entrada la imagen de resonancia magnética y se obtiene como salida esta imagen remarcando el área del tumor; para la segunda la entrada es lo que se obtuvo en la red anterior y la salida es esta misma imagen pero esta vez resaltando el núcleo del tumor; en la tercera red la entrada es la imagen resultante de la segunda red neuronal y la salida es esta misma imagen pero resaltando el núcleo de tumor potenciado.
Con lo anterior se obtiene la imagen de resonancia magnética resaltando el área que corresponde al tumor, a su núcleo y a su núcleo potenciado.
Resultados
Se obtuvieron buenos resultados al usar las Redes Neuronales Convolucionales en Cascada, el puntaje promedio Dice en la segmentación del tumor fue de 0.905, para el núcleo fue de 0.838 y para el núcleo potenciado fue de 0.786, haciéndolo más que aceptable.
Además se obtiene la ventaja que al usar 3 redes neuronales para cada segmentación, la tarea se descompone, esto permite simplificar cada red haciendo más fácil el entrenamiento. al mismo tiempo se reducen los falsos positivos, ya que cada red trabaja en el área limitada por la red anterior.
Conclusión
En conclusión, el modelo hecho en el paper es una herramienta que favorecerá en gran medida en la evaluación de la progresión del tumor en el tiempo, para planificar el tratamiento y evaluar el nivel de la enfermedad con gran precisión. Además al simplificar la red, el costo computacional y de memoria es menor que el usar una sola red neuronal que haga todo el trabajo.
Referencias
- Bhandari, A., Koppen, J. & Agzarian, M. (2020). Convolutional neural networks for brain tumour segmentation. Insights Imaging 11, 77
https://doi.org/10.1186/s13244-020-00869-4- Wang, G., Li, W., Ourselin, S., & Vercauteren, T. (2019). Automatic Brain Tumor Segmentation Based on Cascaded Convolutional Neural Networks With Uncertainty Estimation. Frontiers in computational neuroscience 13, 56.
https://doi.org/10.3389/fncom.2019.00056