Arquitectura profunda en cascada para la segmentación de lesiones de accidente cerebrovascular y la generación de mapas paramétricos sintéticos sobre estudios de TC

El accidente cerebrovascular (ACV), segunda causa de muerte en el mundo, requiere un diagnóstico temprano para un pronóstico favorable.Las imágenes de TC tienen limitaciones, especialmente en la identificación de lesiones agudas. Este trabajo introduce una novedosa representación profunda que utiliz...

Full description

Autores:: Florez, Sebastian
Gomez, Santiago
Garcia, Julian
Martínez, Fabio

Tipo de recurso:: Article of journal

Fecha de publicación:: 2024

Institución:: Universidad de San Buenaventura

Repositorio:: Repositorio USB

Idioma:: eng

id	SANBUENAV2_fff0532c30c16c1b3cf09e6cccea2493
oai_identifier_str	oai:bibliotecadigital.usb.edu.co:10819/28985
network_acronym_str	SANBUENAV2
network_name_str	Repositorio USB
repository_id_str
dc.title.spa.fl_str_mv	Arquitectura profunda en cascada para la segmentación de lesiones de accidente cerebrovascular y la generación de mapas paramétricos sintéticos sobre estudios de TC
dc.title.translated.spa.fl_str_mv	Arquitectura profunda en cascada para la segmentación de lesiones de accidente cerebrovascular y la generación de mapas paramétricos sintéticos sobre estudios de TC
title	Arquitectura profunda en cascada para la segmentación de lesiones de accidente cerebrovascular y la generación de mapas paramétricos sintéticos sobre estudios de TC
spellingShingle	Arquitectura profunda en cascada para la segmentación de lesiones de accidente cerebrovascular y la generación de mapas paramétricos sintéticos sobre estudios de TC Computed tomography Stroke Segmentation Parametric map Attention Tomografía computarizada segmentación de accidentes cerebrovasculares mapa paramétrico Atención
title_short	Arquitectura profunda en cascada para la segmentación de lesiones de accidente cerebrovascular y la generación de mapas paramétricos sintéticos sobre estudios de TC
title_full	Arquitectura profunda en cascada para la segmentación de lesiones de accidente cerebrovascular y la generación de mapas paramétricos sintéticos sobre estudios de TC
title_fullStr	Arquitectura profunda en cascada para la segmentación de lesiones de accidente cerebrovascular y la generación de mapas paramétricos sintéticos sobre estudios de TC
title_full_unstemmed	Arquitectura profunda en cascada para la segmentación de lesiones de accidente cerebrovascular y la generación de mapas paramétricos sintéticos sobre estudios de TC
title_sort	Arquitectura profunda en cascada para la segmentación de lesiones de accidente cerebrovascular y la generación de mapas paramétricos sintéticos sobre estudios de TC
dc.creator.fl_str_mv	Florez, Sebastian Gomez, Santiago Garcia, Julian Martínez, Fabio
dc.contributor.author.eng.fl_str_mv	Florez, Sebastian Gomez, Santiago Garcia, Julian Martínez, Fabio
dc.subject.eng.fl_str_mv	Computed tomography Stroke Segmentation Parametric map Attention
topic	Computed tomography Stroke Segmentation Parametric map Attention Tomografía computarizada segmentación de accidentes cerebrovasculares mapa paramétrico Atención
dc.subject.spa.fl_str_mv	Tomografía computarizada segmentación de accidentes cerebrovasculares mapa paramétrico Atención
description	El accidente cerebrovascular (ACV), segunda causa de muerte en el mundo, requiere un diagnóstico temprano para un pronóstico favorable.Las imágenes de TC tienen limitaciones, especialmente en la identificación de lesiones agudas. Este trabajo introduce una novedosa representación profunda que utiliza datos multimodales TC y mapas paramétricos deperfusión para segmentar lesiones de ACV. La arquitectura sigue una representación autocodificadora que fuerza la atención sobre la geometríadel ACV a través de módulos aditivos de atención cruzada. Además, se propone un entrenamiento en cascada para generar mapas de perfusiónsintéticos que complementen las entradas multimodales, refinando la segmentación de las lesiones en cada etapa del procesamiento y apoyandoel análisis observacional del experto. El enfoque propuesto fue validado en el conjunto de datos ISLES 2018 con 92 estudios; el método supera alas técnicas clásicas con una puntuación Dice de .66 y una precisión de .67.
publishDate	2024
dc.date.accessioned.none.fl_str_mv	2024-09-03T00:00:00Z 2025-08-22T16:59:28Z
dc.date.available.none.fl_str_mv	2024-09-03T00:00:00Z 2025-08-22T16:59:28Z
dc.date.issued.none.fl_str_mv	2024-09-03
dc.type.spa.fl_str_mv	Artículo de revista
dc.type.coar.fl_str_mv	http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.coar.eng.fl_str_mv	http://purl.org/coar/resource_type/c_6501
dc.type.coarversion.eng.fl_str_mv	http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.content.eng.fl_str_mv	Text
dc.type.driver.eng.fl_str_mv	info:eu-repo/semantics/article
dc.type.local.eng.fl_str_mv	Journal article
dc.type.version.eng.fl_str_mv	info:eu-repo/semantics/publishedVersion
format	http://purl.org/coar/resource_type/c_6501
status_str	publishedVersion
dc.identifier.doi.none.fl_str_mv	10.21500/20112084.7013
dc.identifier.eissn.none.fl_str_mv	2011-7922
dc.identifier.issn.none.fl_str_mv	2011-2084
dc.identifier.uri.none.fl_str_mv	https://hdl.handle.net/10819/28985
dc.identifier.url.none.fl_str_mv	https://doi.org/10.21500/20112084.7013
identifier_str_mv	10.21500/20112084.7013 2011-7922 2011-2084
url	https://hdl.handle.net/10819/28985 https://doi.org/10.21500/20112084.7013
dc.language.iso.eng.fl_str_mv	eng
language	eng
dc.relation.bitstream.none.fl_str_mv	https://revistas.usb.edu.co/index.php/IJPR/article/download/7013/5490
dc.relation.citationedition.eng.fl_str_mv	Núm. 2 , Año 2024 : Interdisciplinary Approaches for Human Cognition: Expanding Perspectives on the Mind
dc.relation.citationendpage.none.fl_str_mv	53
dc.relation.citationissue.eng.fl_str_mv	2
dc.relation.citationstartpage.none.fl_str_mv	47
dc.relation.citationvolume.eng.fl_str_mv	17
dc.relation.ispartofjournal.eng.fl_str_mv	International Journal of Psychological Research
dc.relation.references.eng.fl_str_mv	Clerigues, A., Valverde, S., Bernal, J., Freixenet, J., Oliver, A., & Lladó, X. (2019). Acute ischemic stroke lesion core segmentation in CT perfusion images using fully convolutional neural networks. Computers in Biology and Medicine, 115, 103487. Dolz, J., Ayed, I. B., & Desrosiers, C. (2018). Dense multi-path U-Net for ischemic stroke lesion segmentation in multiple image modalities. International MICCAI Brainlesion Workshop, 271–282. Gómez, S., Mantilla, D., Rangel, E., Ortiz, A., D Vera, D., & Martínez, F. (2023). A deep supervised cross-attention strategy for ischemic stroke segmentation in MRI studies. Biomedical Physics & Engineering Express, 9(3), 035026. https://doi.org/10.1088/2057-1976/acc853 Li, R., Wang, X., Huang, G., Yang, W., Zhang, K., Gu, X., Tran, S. N., Garg, S., Alty, J., & Bai, Q. (2022). A comprehensive review on deep supervision: Theories and applications. arXiv Preprint arXiv:2207.02376. Liu, L., Kurgan, L., Wu, F. X., & Wang, J. (2020). Attention convolutional neural network for accurate segmentation and quantification of lesions in ischemic stroke disease. Medical Image Analysis, 65. https://doi.org/10.1016/j.media.2020.101791 Liu, P. (2019). Stroke lesion segmentation with 2D novel CNN pipeline and novel loss function. Brainlesion: Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries: 4th International Workshop, BrainLes 2018, Held in Conjunction with MICCAI 2018, Granada, Spain, September 16, 2018, Revised Selected Papers, Part I 4, 253–262. Martel, A. L., Allder, S. J., Delay, G. S., Morgan, P. S., & Moody, A. R. (1999). Measurement of infarct volume in stroke patients using adaptive segmentation of diffusion weighted MR images. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). https://doi.org/10.1007/10704282_3 Neumann, A. B., Jonsdottir, K. Y., Mouridsen, K., Hjort, N., Gyldensted, C., Bizzi, A., Fiehler, J., Gasparotti, R., Gillard, J. H., Hermier, M., Kucinski, T., Larsson, E. M., Sørensen, L., & Østergaard, L. (2009). Interrater agreement for final infarct mri lesion delineation. Stroke, 40(12), 3768–3771. https://doi.org/10.1161/STROKEAHA.108.545368 Rekik, I., Allassonnière, S., Carpenter, T. K., & Wardlaw, J. M. (2012). Medical image analysis methods in MR/CT-imaged acute-subacute ischemic stroke lesion: Segmentation, prediction and insights into dynamic evolution simulation models. A critical appraisal. NeuroImage: Clinical, 1(1), 164–178. Ronneberger, O., Fischer, P., & Brox, T. (2015). U-net: Convolutional networks for biomedical image segmentation. Medical Image Computing and Computer-Assisted Intervention–MICCAI 2015: 18th International Conference, Munich, Germany, October 5-9, 2015, Proceedings, Part III 18, 234–241. Roth, G. A., Mensah, G. A., Johnson, C. O., Addolorato, G., Ammirati, E., Baddour, L. M., Barengo, N. C., Beaton, A. Z., Benjamin, E. J., Benziger, C. P., & others. (2020). Global burden of cardiovascular diseases and risk factors, 1990–2019: Update from the GBD 2019 study. Journal of the American College of Cardiology, 76(25), 2982–3021. Tureckova, A., & Rodríguez-Sánchez, A. J. (2018). ISLES challenge: U-shaped convolution neural network with dilated convolution for 3D stroke lesion segmentation. International MICCAI Brainlesion Workshop, 319–327. Von Kummer, R., Meyding-Lamade, U., Forsting, M., Rosin, L., Rieke, K., Hacke, W., Sartor, K., & Tomsick, T. A. (1994). Sensitivity and prognostic value of early CT in occlusion of the middle cerebral artery trunk. American Journal of Neuroradiology, 15(1), 9–18. Wang, G., Song, T., Dong, Q., Cui, M., Huang, N., & Zhang, S. (2020). Automatic ischemic stroke lesion segmentation from computed tomography perfusion images by image synthesis and attention-based deep neural networks. Medical Image Analysis, 65, 101787. https://doi.org/10.1016/j.media.2020.101787
dc.rights.accessrights.eng.fl_str_mv	info:eu-repo/semantics/openAccess
dc.rights.coar.eng.fl_str_mv	http://purl.org/coar/access_right/c_abf2
dc.rights.uri.eng.fl_str_mv	http://creativecommons.org/licenses/by-nc-nd/4.0
eu_rights_str_mv	openAccess
rights_invalid_str_mv	http://purl.org/coar/access_right/c_abf2 http://creativecommons.org/licenses/by-nc-nd/4.0
dc.format.mimetype.eng.fl_str_mv	application/pdf
dc.publisher.eng.fl_str_mv	Universidad San Buenaventura - USB (Colombia)
dc.source.eng.fl_str_mv	https://revistas.usb.edu.co/index.php/IJPR/article/view/7013
institution	Universidad de San Buenaventura
bitstream.url.fl_str_mv	https://bibliotecadigital.usb.edu.co/bitstreams/019d1324-fefa-4dbb-8a7d-94506a719b61/download
bitstream.checksum.fl_str_mv	78966544c565458eff5ba76ff62719e4
bitstream.checksumAlgorithm.fl_str_mv	MD5
repository.name.fl_str_mv	Repositorio Institucional Universidad de San Buenaventura Colombia
repository.mail.fl_str_mv	bdigital@metabiblioteca.com
_version_	1851053550602289152
spelling	Florez, SebastianGomez, SantiagoGarcia, JulianMartínez, Fabio2024-09-03T00:00:00Z2025-08-22T16:59:28Z2024-09-03T00:00:00Z2025-08-22T16:59:28Z2024-09-03El accidente cerebrovascular (ACV), segunda causa de muerte en el mundo, requiere un diagnóstico temprano para un pronóstico favorable.Las imágenes de TC tienen limitaciones, especialmente en la identificación de lesiones agudas. Este trabajo introduce una novedosa representación profunda que utiliza datos multimodales TC y mapas paramétricos deperfusión para segmentar lesiones de ACV. La arquitectura sigue una representación autocodificadora que fuerza la atención sobre la geometríadel ACV a través de módulos aditivos de atención cruzada. Además, se propone un entrenamiento en cascada para generar mapas de perfusiónsintéticos que complementen las entradas multimodales, refinando la segmentación de las lesiones en cada etapa del procesamiento y apoyandoel análisis observacional del experto. El enfoque propuesto fue validado en el conjunto de datos ISLES 2018 con 92 estudios; el método supera alas técnicas clásicas con una puntuación Dice de .66 y una precisión de .67.Stroke is the second leading cause of mortality worldwide. Immediate attention and diagnosis play a crucial role in patient prognosis. Nowadays, computed tomography (CT) is the most utilized diagnostic imaging for early analysis and lesion stroke detection. Nonetheless, acute lesions are not visible on CT, and it is only possible to use this modality in screening analysis, discarding other neurological affectations. Expert radiologists can observe stroke lesions in advanced stages (subacute and chronic), as hypodense regions, but with limited sensibility and remarked subject variability. Computational strategies have been addressed to support lesion segmentation, following deep autoencoders and multimodal inputs. However, these strategies remain limited due to the high variability in the appearance and geometry of stroke lesions. This work introduces a novel deep representation that uses multimodal inputs from CT studies and parametric maps, computed from perfusion (CTP), to retrieve stroke lesions. The architecture follows an autoencoder deep representation, that forces attention on the geometry of stroke through additive cross-attention modules. Besides, a cascade train is herein proposed to generate synthetic perfusion maps that complement multimodal inputs and help with stroke lesion refinement at each stage of processing. The proposed approach brings saliency maps that support observational expert analysis, about lesion localization, but also lead with automatic shape estimation of the stroke. The proposed approach was validated on the ISLES 2018 public dataset with a total of 92 studies that include the annotation of an expert radiologist. The proposed approach achieves a Dice score of 0.66 and a precision of 0.67, outperforming classical autoencoder approximations.application/pdf10.21500/20112084.70132011-79222011-2084https://hdl.handle.net/10819/28985https://doi.org/10.21500/20112084.7013engUniversidad San Buenaventura - USB (Colombia)https://revistas.usb.edu.co/index.php/IJPR/article/download/7013/5490Núm. 2 , Año 2024 : Interdisciplinary Approaches for Human Cognition: Expanding Perspectives on the Mind5324717International Journal of Psychological ResearchClerigues, A., Valverde, S., Bernal, J., Freixenet, J., Oliver, A., & Lladó, X. (2019). Acute ischemic stroke lesion core segmentation in CT perfusion images using fully convolutional neural networks. Computers in Biology and Medicine, 115, 103487. Dolz, J., Ayed, I. B., & Desrosiers, C. (2018). Dense multi-path U-Net for ischemic stroke lesion segmentation in multiple image modalities. International MICCAI Brainlesion Workshop, 271–282. Gómez, S., Mantilla, D., Rangel, E., Ortiz, A., D Vera, D., & Martínez, F. (2023). A deep supervised cross-attention strategy for ischemic stroke segmentation in MRI studies. Biomedical Physics & Engineering Express, 9(3), 035026. https://doi.org/10.1088/2057-1976/acc853 Li, R., Wang, X., Huang, G., Yang, W., Zhang, K., Gu, X., Tran, S. N., Garg, S., Alty, J., & Bai, Q. (2022). A comprehensive review on deep supervision: Theories and applications. arXiv Preprint arXiv:2207.02376. Liu, L., Kurgan, L., Wu, F. X., & Wang, J. (2020). Attention convolutional neural network for accurate segmentation and quantification of lesions in ischemic stroke disease. Medical Image Analysis, 65. https://doi.org/10.1016/j.media.2020.101791 Liu, P. (2019). Stroke lesion segmentation with 2D novel CNN pipeline and novel loss function. Brainlesion: Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries: 4th International Workshop, BrainLes 2018, Held in Conjunction with MICCAI 2018, Granada, Spain, September 16, 2018, Revised Selected Papers, Part I 4, 253–262. Martel, A. L., Allder, S. J., Delay, G. S., Morgan, P. S., & Moody, A. R. (1999). Measurement of infarct volume in stroke patients using adaptive segmentation of diffusion weighted MR images. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). https://doi.org/10.1007/10704282_3 Neumann, A. B., Jonsdottir, K. Y., Mouridsen, K., Hjort, N., Gyldensted, C., Bizzi, A., Fiehler, J., Gasparotti, R., Gillard, J. H., Hermier, M., Kucinski, T., Larsson, E. M., Sørensen, L., & Østergaard, L. (2009). Interrater agreement for final infarct mri lesion delineation. Stroke, 40(12), 3768–3771. https://doi.org/10.1161/STROKEAHA.108.545368 Rekik, I., Allassonnière, S., Carpenter, T. K., & Wardlaw, J. M. (2012). Medical image analysis methods in MR/CT-imaged acute-subacute ischemic stroke lesion: Segmentation, prediction and insights into dynamic evolution simulation models. A critical appraisal. NeuroImage: Clinical, 1(1), 164–178. Ronneberger, O., Fischer, P., & Brox, T. (2015). U-net: Convolutional networks for biomedical image segmentation. Medical Image Computing and Computer-Assisted Intervention–MICCAI 2015: 18th International Conference, Munich, Germany, October 5-9, 2015, Proceedings, Part III 18, 234–241. Roth, G. A., Mensah, G. A., Johnson, C. O., Addolorato, G., Ammirati, E., Baddour, L. M., Barengo, N. C., Beaton, A. Z., Benjamin, E. J., Benziger, C. P., & others. (2020). Global burden of cardiovascular diseases and risk factors, 1990–2019: Update from the GBD 2019 study. Journal of the American College of Cardiology, 76(25), 2982–3021. Tureckova, A., & Rodríguez-Sánchez, A. J. (2018). ISLES challenge: U-shaped convolution neural network with dilated convolution for 3D stroke lesion segmentation. International MICCAI Brainlesion Workshop, 319–327. Von Kummer, R., Meyding-Lamade, U., Forsting, M., Rosin, L., Rieke, K., Hacke, W., Sartor, K., & Tomsick, T. A. (1994). Sensitivity and prognostic value of early CT in occlusion of the middle cerebral artery trunk. American Journal of Neuroradiology, 15(1), 9–18. Wang, G., Song, T., Dong, Q., Cui, M., Huang, N., & Zhang, S. (2020). Automatic ischemic stroke lesion segmentation from computed tomography perfusion images by image synthesis and attention-based deep neural networks. Medical Image Analysis, 65, 101787. https://doi.org/10.1016/j.media.2020.101787info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.http://creativecommons.org/licenses/by-nc-nd/4.0https://revistas.usb.edu.co/index.php/IJPR/article/view/7013Computed tomographyStroke SegmentationParametric mapAttentionTomografía computarizadasegmentación de accidentes cerebrovascularesmapa paramétricoAtenciónArquitectura profunda en cascada para la segmentación de lesiones de accidente cerebrovascular y la generación de mapas paramétricos sintéticos sobre estudios de TCArquitectura profunda en cascada para la segmentación de lesiones de accidente cerebrovascular y la generación de mapas paramétricos sintéticos sobre estudios de TCArtículo de revistahttp://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_2df8fbb1http://purl.org/coar/version/c_970fb48d4fbd8a85Textinfo:eu-repo/semantics/articleJournal articleinfo:eu-repo/semantics/publishedVersionPublicationOREORE.xmltext/xml2731https://bibliotecadigital.usb.edu.co/bitstreams/019d1324-fefa-4dbb-8a7d-94506a719b61/download78966544c565458eff5ba76ff62719e4MD5110819/28985oai:bibliotecadigital.usb.edu.co:10819/289852025-08-22 11:59:29.004http://creativecommons.org/licenses/by-nc-nd/4.0https://bibliotecadigital.usb.edu.coRepositorio Institucional Universidad de San Buenaventura Colombiabdigital@metabiblioteca.com

Arquitectura profunda en cascada para la segmentación de lesiones de accidente cerebrovascular y la generación de mapas paramétricos sintéticos sobre estudios de TC

Publicaciones similares