Tema: Segmentación de tumores cerebrales en IRM usando CNN

Integrantes:

• Guerrero Huayta Renzo
• Montoya Salazar Abner

Resumen:
Las IRM son la principal herramienta para el diagnóstico, evaluación y seguimiento de tumores cerebrales. Para estas tareas son necesarias hacer una segmentación para saber que parte es tejido sano y cual es tejido dañado, pero hacer esto de forma manual es una tarea tediosa que tomaría mucho tiempo.Para ayudar en esta tarea se usaran Redes Neuronales Convolucionale, ya s que son más eficaces en problemas de visión por ordenador y segmentación, por esta razón se entrenó y comparó los resultados de las arquitecturas U-Net, V-Net y ResUnet y se escogió la que mejor realiza el trabajo. En nuestra investigación, la mejor arquitectura fue U-Net con coeficiente de Dice de 70.7%.

Paper: Pasos para el desarrollo del trabajo: Video: Presentación: Codigo:
https://github.com/renzoguerrero17/Segm ... lucionales

Predicción de Rotaciones Voluntarias de Personal usando Machine Learning

Descripción
La rotación de personal se define como la fuga o salida de personal de la organización, se dice que es voluntaria cuando el personal decide salir y es involuntaria cuando es obligado a hacerlo.
Dentro de la organización, la rotación voluntaria es la más perjudicial, ya que se pierde potencial y talento humano, puede generar falta de capacidad de respuesta, pérdida de productividad, etc.; y es, por tanto, en la que más se debería investigar el por qué suceden, para ayudar a la organización a reaccionar ante estos eventos negativos.
Por esto es importante hacer una herramienta capaz de predecir con cierta certeza que y/o cuantas personas pueden renunciar con anticipación, esto para tener tiempo de hacer las planificaciones preventivas para evitar problemas futuros.

Herramientas
Los papers hacen una comparación de modelos para ver cual es mejor al momento de predecir.

• Regresión logística
  Es un modelo lineal básico para la clasificación, funciona mejor al predecir variables dependientes binarias o categóricas.
  
  
• Naive Bayes
  Es un clasificador cuyas virtudes son su simplicidad y buen rendimiento. Realiza una clasificación basada en las probabilidades obtenidas, con un supuesto básico de que todas las variables son condicionalmente independientes entre sí. Para estimar los parámetros (medias y variaciones de las variables) necesarios para la clasificación, el clasificador requiere solo una pequeña cantidad de datos de entrenamiento.
  
  
• Bosque Aleatorio
  Es un modelo popular basado en árboles, se hacen conjuntos de árboles, en donde los árboles sucesivos no dependen de los anteriores, cada conjunto de árboles es entrenado por una parte diferente de los datos, al final para decir se hace una votación simple para ver qué valor salió más veces del total de conjuntos.
  
  
• Análisis discriminante lineal
  El análisis discriminante implica la creación de una o más funciones discriminantes para maximizar la varianza entre las categorías en relación con la varianza con las categorías. El análisis discriminante lineal se explica como la obtención de una variable o puntuación z, que es una combinación lineal de dos o más variables independientes que discriminan mejor entre dos (o más) categorías o grupos diferentes.
  
  
• XGBoost
  Es uno de los métodos más usados en la actualidad, da buenos resultados con poco esfuerzo. Utiliza el principio del boosting, donde genera múltiples modelos de predicción débiles de forma secuencial, donde cada uno toma el resultado del modelo anterior, para generar un modelo más fuerte con mayor poder predictivo. Lo más común es usar árboles de decisión como modelo de predicción débil.
  
  
• Redes neuronales
  una red neuronal está diseñada para simular las operaciones del sistema nervioso. los elementos para su funcionamiento son valores de entrada, pesos asociados, funciones de activación y la salida. Sus en la predicción y clasificación son universales mientra se le de los datos suficientes.

Resultados
De los resultados obtenidos al usar los modelos, se clasifica el desempeño de los clasificadores según la curva ROC, aquí se observa que el modelos que mejor predice la rotación voluntaria de personal es la potenciación extrema de la gradiente con una mediana de 0.9462, seguida del bosque aleatorio con 0.9417 y la red neuronal con 0.8407. Esto se ve mejor en la siguiente tabla.


Conclusiones
Se puede concluir que el mejor método para predecir es la potenciación extrema de la gradiente o XG Boost, pero también depende de la cantidad de datos que se tiene para hacer una correcta predicción. También se puede usar los bosques aleatorios en la predicción, ya que comparando el rendimiento de ambos no son tan diferentes.

Referencias

1. Punnoose, R., & Ajit, P. (2016). Prediction of Employee Turnover in Organizations using Machine Learning Algorithms A case for Extreme Gradient Boosting. International Journal of Advanced Research in Artificial Intelligence. Vol. 5, pp. 22-26
   http://dx.doi.org/10.14569/IJARAI.2016.050904
2. Zhao Y., Hryniewicki M.K., Cheng F., Fu B. & Zhu X. (2019) Employee Turnover Prediction with Machine Learning: A Reliable Approach. Advances in Intelligent Systems and Computing, vol 869, pp. 737-758
   https://doi.org/10.1007/978-3-030-01057-7_56

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

1. 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
2. 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