Deep learning for segmentation of brain tumors in magnetic resonance imaging

Abstract

The advancement of medical imaging techniques has significantly enhanced diagnostic capabilities, particularly in the context of brain tumor detection and analysis. This work presents a detailed study on the application of neural networks for the segmentation of brain tumors using the BraTS dataset. The research focuses on leveraging deep learning methodologies to achieve an accurate, efficient, and reliable model to carry out brain tumor segmentation in MRI scans. This work highlighted the limitations of traditional methods and the transformative potential of neural networks and proposed the development, training and evaluation of a 3D UNet model tailored to handle the complexities of brain tumor segmentation through key aspects as data preprocessing, model architecture, loss and activation functions and validation strategies. The model was evaluated on diverse training and validation datasets encompassing various tumor subregions and situations. Results demonstrated that the proposed model achieved a substantial segmentation accuracy, as evidenced by metrics such as HD95 and DSC as well as graphical evaluation. Validation across a diverse dataset confirmed the model’s robustness and capability to correctly segment 2D and 3D predicted masks. Furthermore, constraints imposed by limited computational resources impacted the ability for the fine-tuning of the model, showing very promising future opportunities for improvement.

El avance de las técnicas en imagen médica ha mejorado significativamente las capacidades diagnósticas, particularmente en el contexto de la detección y análisis de tumores cerebrales. Este trabajo presenta un estudio detallado sobre la aplicación de redes neuronales para la segmentación de tumores cerebrales utilizando el conjunto de datos BraTS. La investigación se centra en aprovechar las metodologías de aprendizaje profundo para lograr un modelo preciso, eficiente y fiable que realice la segmentación de tumores cerebrales en resonancias magnéticas. Este trabajo destacó las limitaciones de los métodos tradicionales y el potencial transformador de las redes neuronales, proponiendo el desarrollo, entrenamiento y evaluación de un modelo 3D UNet adaptado para manejar las complejidades de la segmentación de tumores cerebrales a través de aspectos clave como el preprocesamiento de datos, la arquitectura del modelo, las funciones de pérdida y activación, y las estrategias de validación. El modelo fue evaluado en diversos conjuntos de datos de entrenamiento y validación, que abarcan diferentes subregiones tumorales y situaciones. Los resultados demostraron que el modelo propuesto alcanzó una precisión sustancial en la segmentación, como lo evidencian métricas tales como HD95 y DSC, así como una evaluación gráfica. La validación en un conjunto de datos diverso confirmó la robustez del modelo y su capacidad para segmentar correctamente máscaras predichas en 2D y 3D. Además, las limitaciones impuestas por los recursos computacionales restringidos impactaron en la capacidad para afinar el modelo, lo que muestra grandes oportunidades esperanzadoras de mejora.