Segmentación de tumores cerebrales en imágenes de resonancia magnética usando Deep Learning

[renzo.guerrero]

1.Descripción del problema : Las imágenes de resonancia magnética (IRM) son un método no invasivo sin el uso de radiación ionizante , las IRM nos muestran el cerebro mediante un gráfico 3D en el cual cada corte, está compuesta por distintas secuencias , en las cuales se pueden estudiar distintas patologías entre las más comunes se encuentran los tumores cerebrales, los cuales se dividen en dos grandes grupos los tipos I y II (tipo LGG) caracterizados por la presencia de tumores cerebrales benignos y los tipos III y IV(tipo HGG) caracterizados por la presencia de tumores cerebrales malignos.

Uno de los principales problemas en la planificación del tratamiento de pacientes con este tipo de tumores es la determinación del área que ha sido invadida por éstos , la segmentación manual de éstos es un proceso tedioso y propenso al error ya que el cerebro de un paciente en una misma secuencia puede tener distintos cortes que derivan en distintas segmentaciones, por lo cual existe una necesidad de una técnica rápida y precisa para la determinación eficaz de la extensión del tumor cerebral, ya que de ello depende una posible radioterapia o planificación quirúrgica la cual incluya exclusivamente las zonas tumorales , excluyéndose tejidos sanos de zonas muy cruciales como son los sitios del lenguaje y función motora.

Fig1.jpg (82.06 KiB) Visto 162 veces

2.Solución propuesta
2.1.Descripción de la solución
Se dividió principalmente en dos etapas:
1.Preprocesamiento: se aplicó la normalización de datos para cada secuencia de la resonancia magnética multimodal restando la media de cada secuencia y dividiéndola por la desviación estándar. Además se usó data augmentation para mejorar el rendimiento de la red considerando principalmente operaciones como voltear , rotar y hacer zoom.
2.Redes neuronales convolucionales(CNN): se hace uso de la arquitectura U-net la cual es ampliamente usada para imágenes biomédicas, ésta hace uso de una arquitectura dowsampling (encoder)- upsampling (decoder), la arquitectura encoder se encargará de aumentar la cantidad de mapa de características pasando de 1 a 1024 y a la vez reducir el tamaño de estos pasando de 240x240 a 15x15, para la arquitectura decoder se hace lo contrario se busca aumentar el tamaño de los mapas de características y reducir el número de éstos.

Fig2.jpg (11.79 KiB) Visto 162 veces

2.2.Arquitecturas de CNN: Las soluciones referidas en estos dos estudios se basan en la arquitectura de red neuronal convolucional U-net 2D, en el primer estudio se desarrolla el problema usando U-net 2D en su forma básica , mientras que en el segundo estudio se proponen redes neuronales convolucionales híbridas tomando como base la arquitectura U-net entre las cuales se encuentra Seg-UNet, U-SegNet y Res-SegNet.
Seg-UNet toma como base las arquitecturas de SegNet5 y U-net, U-SegNet es muy parecida a la arquitectura de Seg-Unet, la diferencia radica en el número de bloques de convolución que se usan , en U-SegNet se usa un total de 3 bloques de convolución a comparación de Seg-UNet en el cual se usan 5, mientras que la arquitectura Res-SegNet está inspirada en ResNet18 y SegNet5.

A) U-net:

Fig3.jpg (48.63 KiB) Visto 162 veces

B) Seg-Unet:

Fig4.jpg (56.29 KiB) Visto 162 veces

C) Res-SegNet:

Fig5.jpg (66.31 KiB) Visto 162 veces

3.Resultados de las pruebas
En ambas investigaciones se hace uso del conjunto de datos Multimodal Brain Tumor Image Segmentation (BraTS), el cual está formado por IMR en forma de vólumenes 3D con un registro de 220 tumores tipo HGG y 54 tumores de tipo LGG , en las cuales se analizó las métricas de DSC(coeficiente de Dice) e IoU(Intersection over Union).

1) La primera investigación utilizó el modelo U-net 2D, teniendo como resultados para la métrica DSC un valor de 0.88 para tumores tipo HGG y un valor de 0.84 para tumores de tipo LGG.
2) La segunda investigación analiza métricas como el mean accuracy obteniendo 91.68%,93.35% y 93.12% , además del weighted IoU obteniendo 98.22%,98.29% y 98.63% para U-SegNet,Res-SegNet y Seg-Unet respectivamente.

4.Conclusiones
La primera investigación usa una red convolucional U-net 2D, la cual al procesar imágenes 2D conlleva un menor tiempo de entrenamiento e inferencia para nuevas imágenes a comparación de una red U-net 3D la cual procesa pequeños volúmenes 3D y conlleva tiempos de inferencia para un registro nuevo de aproximadamente 8 minutos, además los métodos de segmentación propuestos utilizando Deep Learning nos pueden ayudar a observar la extensión de un tumor al inicio y durante el transcurso de un tratamiento como la quimioterapia a manera de evaluar si el tumor a disminuido o aumentado de tamaño.

5.Referencias
[1] https://arxiv.org/abs/1705.03820
[2] https://www.sciencedirect.com/science/a ... 0920307614