Segmentación de gliomas en imagen de resonancia magnética multimodal

RESUMEN: El glioma es el tipo de tumor cerebral más común, presentando distintos grados de malignidad y agresividad, así como un pronóstico variable. La gran variabilidad que caracteriza a estas lesiones implica un estudio completamente único, así como un tratamiento personalizado. Es por esto que l...

Full description

Bibliographic Details
Author: Noriega Puente, Andrea
Format: master thesis
Publication Date:2019
Country:España
Institution:Universidad de Cantabria (UC)
Repository:UCrea Repositorio Abierto de la Universidad de Cantabria
Language:Spanish
OAI Identifier:oai:repositorio.unican.es:10902/17859
Online Access:http://hdl.handle.net/10902/17859
Access Level:Open access
Keyword:Deep Learning
Glioma
Segmentación
Neuroimagen
Imagen médica
Segmentation
Neuroimaging
Medical image
id ES_d0a93afbc162b7f542941168bef4a50c
oai_identifier_str oai:repositorio.unican.es:10902/17859
network_acronym_str ES
network_name_str España
repository_id_str
spelling Segmentación de gliomas en imagen de resonancia magnética multimodalGlioma segmentation in multimodal magnetic resonance imagingNoriega Puente, AndreaDeep LearningGliomaSegmentaciónNeuroimagenImagen médicaSegmentationNeuroimagingMedical imageRESUMEN: El glioma es el tipo de tumor cerebral más común, presentando distintos grados de malignidad y agresividad, así como un pronóstico variable. La gran variabilidad que caracteriza a estas lesiones implica un estudio completamente único, así como un tratamiento personalizado. Es por esto que la segmentación manual de este tipo de lesiones supone tanto un gran consumo de tiempo como un trabajo duro para el experto, el cual implica el análisis multimodal de varias secuencias diferentes, normalmente, de Resonancia Magnética. En este trabajo se presenta un modelo de segmentación automática de gliomas de alto grado, HGG, cuya arquitectura se basa en el empleo de redes neuronales convolucionales simétricas, denominada U-Net. Para el entrenamiento del modelo se ha hecho uso del conjunto de datos del Data Challenge BraTS 2018 (Brain Tumor Segmentation), compuesto por un total de 237 estudios de IRM, 162 HGG y 75 LGG, de los que solo se han empleado los primeros. Los resultados en cuanto a la obtención de mapas binarios de segmentación de los tumores han sido positivos. Se ha calculado el coeficiente DICE medio, relacionado con la calidad de la determinación de la forma del tumor, logrando 0:64 +- 0:39 para el modelo entrenado con imágenes T1, y 0:57 +- 0:41 para el modelo entrenado con secuencias T1 con contraste. Cualitativamente se ha observado además un buen desempeño a la hora de localizar espacialmente los tumores, incluso si la forma no es determinada tan precisamente.ABSTRACT: Glioma is the most common type of brain tumor, having di_erent degrees of malignancy and aggressiveness, as well as a variable prognosis. The great variability of these pathologies implies a completely unique study, as well as a personalized treatment. This is why the manual segmentation of brain tumors by an expert entails both a big time consumption and a really hard work, involving the multimodal analysis of several different sequences of Magnetic Resonance. In this project, an automatic segmentation model of high-grade glioma, HGG, is introduced, whose architecture is based in symmetric convolutional neural networks, called U-Net. For training the model, data from the Data Challenge BraTS 2018 (Brain Tumor Segmentation) have been used, consisting of a total of 237 MRI studies, 162 HGG cases and 75 LGG cases, from which only the first ones have been used. Resulting binary segmentation map of the tumors have been positive. The mean DICE coe_cient, related to the quality of tumor shape determination, has been calculated, achieving 0:64 +- 0:39 for the model trained with T1 sequences, and 0:57 +- 0:41 for the model trained with T1 enhanced sequences. Qualitatively, good performance has also been observed when determining spatial location of the tumors, even if the shape is not determined so precisely.Máster en Ciencia de DatosRodríguez González, DavidLloret Iglesias, LaraUniversidad de Cantabria20192019-10-17master thesishttp://purl.org/coar/resource_type/c_bdccNAhttp://purl.org/coar/version/c_be7fb7dd8ff6fe43info:eu-repo/semantics/masterThesishttp://hdl.handle.net/10902/17859reponame:UCrea Repositorio Abierto de la Universidad de Cantabriainstname:Universidad de Cantabria (UC)Españolspaopen accesshttp://purl.org/coar/access_right/c_abf2Atribución-NoComercial-SinDerivadas 3.0 Españahttp://creativecommons.org/licenses/by-nc-nd/3.0/es/info:eu-repo/semantics/openAccessoai:repositorio.unican.es:10902/178592026-06-02T12:39:31Z
dc.title.none.fl_str_mv Segmentación de gliomas en imagen de resonancia magnética multimodal
Glioma segmentation in multimodal magnetic resonance imaging
title Segmentación de gliomas en imagen de resonancia magnética multimodal
spellingShingle Segmentación de gliomas en imagen de resonancia magnética multimodal
Noriega Puente, Andrea
Deep Learning
Glioma
Segmentación
Neuroimagen
Imagen médica
Segmentation
Neuroimaging
Medical image
title_short Segmentación de gliomas en imagen de resonancia magnética multimodal
title_full Segmentación de gliomas en imagen de resonancia magnética multimodal
title_fullStr Segmentación de gliomas en imagen de resonancia magnética multimodal
title_full_unstemmed Segmentación de gliomas en imagen de resonancia magnética multimodal
title_sort Segmentación de gliomas en imagen de resonancia magnética multimodal
dc.creator.none.fl_str_mv Noriega Puente, Andrea
author Noriega Puente, Andrea
author_facet Noriega Puente, Andrea
author_role author
dc.contributor.none.fl_str_mv Rodríguez González, David
Lloret Iglesias, Lara
Universidad de Cantabria
dc.subject.none.fl_str_mv Deep Learning
Glioma
Segmentación
Neuroimagen
Imagen médica
Segmentation
Neuroimaging
Medical image
topic Deep Learning
Glioma
Segmentación
Neuroimagen
Imagen médica
Segmentation
Neuroimaging
Medical image
description RESUMEN: El glioma es el tipo de tumor cerebral más común, presentando distintos grados de malignidad y agresividad, así como un pronóstico variable. La gran variabilidad que caracteriza a estas lesiones implica un estudio completamente único, así como un tratamiento personalizado. Es por esto que la segmentación manual de este tipo de lesiones supone tanto un gran consumo de tiempo como un trabajo duro para el experto, el cual implica el análisis multimodal de varias secuencias diferentes, normalmente, de Resonancia Magnética. En este trabajo se presenta un modelo de segmentación automática de gliomas de alto grado, HGG, cuya arquitectura se basa en el empleo de redes neuronales convolucionales simétricas, denominada U-Net. Para el entrenamiento del modelo se ha hecho uso del conjunto de datos del Data Challenge BraTS 2018 (Brain Tumor Segmentation), compuesto por un total de 237 estudios de IRM, 162 HGG y 75 LGG, de los que solo se han empleado los primeros. Los resultados en cuanto a la obtención de mapas binarios de segmentación de los tumores han sido positivos. Se ha calculado el coeficiente DICE medio, relacionado con la calidad de la determinación de la forma del tumor, logrando 0:64 +- 0:39 para el modelo entrenado con imágenes T1, y 0:57 +- 0:41 para el modelo entrenado con secuencias T1 con contraste. Cualitativamente se ha observado además un buen desempeño a la hora de localizar espacialmente los tumores, incluso si la forma no es determinada tan precisamente.
publishDate 2019
dc.date.none.fl_str_mv 2019
2019-10-17
dc.type.none.fl_str_mv master thesis
http://purl.org/coar/resource_type/c_bdcc
NA
http://purl.org/coar/version/c_be7fb7dd8ff6fe43
dc.type.openaire.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.none.fl_str_mv http://hdl.handle.net/10902/17859
url http://hdl.handle.net/10902/17859
dc.language.none.fl_str_mv Español
spa
language_invalid_str_mv Español
language spa
dc.rights.none.fl_str_mv open access
http://purl.org/coar/access_right/c_abf2
Atribución-NoComercial-SinDerivadas 3.0 España
http://creativecommons.org/licenses/by-nc-nd/3.0/es/
dc.rights.openaire.fl_str_mv info:eu-repo/semantics/openAccess
rights_invalid_str_mv open access
http://purl.org/coar/access_right/c_abf2
Atribución-NoComercial-SinDerivadas 3.0 España
http://creativecommons.org/licenses/by-nc-nd/3.0/es/
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:UCrea Repositorio Abierto de la Universidad de Cantabria
instname:Universidad de Cantabria (UC)
instname_str Universidad de Cantabria (UC)
reponame_str UCrea Repositorio Abierto de la Universidad de Cantabria
collection UCrea Repositorio Abierto de la Universidad de Cantabria
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869420194100674560
score 15,301629

Similar Items