Segmentación de gliomas en imagen de resonancia magnética multimodal

Abstract

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.

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.