Implementación de un modelo de segmentación automática de órganos abdominales mediante técnicas de Deep Learning en imágenes de Tomografía Computarizada contrastada. Semestre de industria

RESUMEN : La segmentación automática de órganos abdominales ha representado un desafío significativo en la radiología, especialmente en aplicaciones clínicas donde se requiere precisión y eficiencia. A lo largo de la última década, las redes neuronales completamente convolucionales (FCNNs) han demostrado ser una solución eficaz para la mayoría de las tareas de segmentación de imágenes médicas. Sin embargo, presenta limitaciones para capturar dependencias espaciales a largo alcance. En este trabajo, se aborda la segmentación de órganos abdominales utilizando el framework MONAI, que facilita la implementación de flujos de trabajo de deep learning en imágenes médicas. Se emplea la arquitectura UNETR (U-Net con Transformers), que utiliza transformers para captar información global a diversas escalas. Para mejorar el rendimiento del modelo, se aplicaron técnicas avanzadas de regularización y optimización, aprovechando las herramientas proporcionadas por MONAI.. El modelo fue validado con la base de datos de la población SURA, lo que permite evaluar su desempeño en un contexto colombiano, abordando el sesgo presente en muchos estudios que utilizan datos europeos. Los resultados superaron los modelos de referencia, con un Coeficiente de Dice de 0.94365 y una pérdida de 0.5684, destacándose en la segmentación de órganos complejos como el páncreas y las venas esplénica y porta. Este trabajo contribuye a la generalización de modelos de segmentación en datos locales, estableciendo un nuevo estándar en la región.

• Autores: Mora Colorado, Jhoan Sebastian
• 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:10495/43702
• Acceso en línea: https://hdl.handle.net/10495/43702
• Palabra clave: Radiología; Radiology; Redes Neurales de la Computación; Neural Networks, Computer; Base de datos; Databases; Tomografía Computarizada por rayos x; Tomography, X-ray computed; Diagnóstico por imágenes; Diagnostic imaging; Segmentación; Deep learning; MONAI; http://vocabularies.unesco.org/thesaurus/concept501; https://id.nlm.nih.gov/mesh/D011871; https://id.nlm.nih.gov/mesh/D016571
• Rights: openAccess
• License: http://creativecommons.org/licenses/by-nc-sa/2.5/co/