Detección automática de lesiones en EM usando técnicas de Machine Learning.

RESUMEN : La esclerosis múltiple (EM) es una enfermedad del sistema nervioso central que afecta a millones de personas en todo el mundo. Las lesiones de EM son áreas de daño en el cerebro y la médula espinal que causan una variedad de síntomas. El diagnóstico y la monitorización de la EM se basan en imágenes de resonancia magnética. La segmentación de lesiones de EM es un proceso manual que requiere un alto nivel de experiencia. Los radiólogos deben identificar las lesiones en las imágenes de resonancia magnética y dibujar un contorno alrededor de cada lesión. Este proceso puede ser lento y laborioso, y es susceptible a errores. El sistema propuesto utiliza una red neuronal convolucional (CNN) para identificar las características de las lesiones de EM en las imágenes; se pueden entrenar con un conjunto de datos de imágenes etiquetadas, que contienen información sobre la ubicación y el tamaño de las lesiones. Entrenando el modelo nnUnet con la configuración Fulles hasta 50 épocas y con reconstrucciones del plano axial de secuencias Flair, T2 y T1 preprocesadas y registradas, se obtiene un coeficiente de Sorensen-Dice de 0.14 para la validación, el cual se logró incrementar a un 0.59 al utilizar la configuración 2D de nnUnet, aumentar el número de épocas a 150 y de utilizar 2060 cortes en el plano axial por lo que el modelo nnUnet es una herramienta prometedora para la segmentación de lesiones de EM puesto que el modelo mostró una sensibilidad del 69, 98% en el conjunto de datos de validación.

• Autores: Cardona Osorio, Juan Esteban
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2024
• Institución: Universidad de Antioquia
• Repositorio: Repositorio UdeA
• Idioma: spa
• OAI Identifier: oai:bibliotecadigital.udea.edu.co:10495/38927
• Acceso en línea: https://hdl.handle.net/10495/38927
• Palabra clave: Esclerosis Múltiple; Multiple Sclerosis; Sistema Nervioso; Nervous System; Imagen por Resonancia Magnética; Magnetic Resonance Imaging; Aprendizaje automático (Inteligencia Artificial); Machine learning; https://id.nlm.nih.gov/mesh/D009103; https://id.nlm.nih.gov/mesh/D009420; https://id.nlm.nih.gov/mesh/D008279
• Rights: openAccess
• License: https://creativecommons.org/licenses/by-nc-sa/4.0/