Segmentación de glioblastoma en imágenes de resonancia magnética cerebral

El glioblastoma es el tipo de cáncer más común y agresivo que se presenta en el cerebro, está clasificado por la OMS en grado IV debido a su rápido crecimiento, se presenta más frecuentemente en adultos y la esperanza de vida es poco alentadora. en Colombia por cada 100.000 casos, 2,5 hombres y 1,9...

Full description

Autores:
Sanabria González, Juan Felipe
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2023
Institución:
Universidad Militar Nueva Granada
Repositorio:
Repositorio UMNG
Idioma:
spa
OAI Identifier:
oai:repository.unimilitar.edu.co:10654/45015
Acceso en línea:
http://hdl.handle.net/10654/45015
Palabra clave:
RESONANCIA MAGNETICA
segmentation
glioblastoma
magnetic resonance imaging
segmentación
glioblastoma
resonancia magnética
Rights
openAccess
License
http://creativecommons.org/licenses/by-nc-nd/4.0/
id UNIMILTAR2_45125addeb4e9f084451c3f2980a76ed
oai_identifier_str oai:repository.unimilitar.edu.co:10654/45015
network_acronym_str UNIMILTAR2
network_name_str Repositorio UMNG
repository_id_str
dc.title.spa.fl_str_mv Segmentación de glioblastoma en imágenes de resonancia magnética cerebral
dc.title.translated.spa.fl_str_mv Segmentation of glioblastoma on brain magnetic resonance images
title Segmentación de glioblastoma en imágenes de resonancia magnética cerebral
spellingShingle Segmentación de glioblastoma en imágenes de resonancia magnética cerebral
RESONANCIA MAGNETICA
segmentation
glioblastoma
magnetic resonance imaging
segmentación
glioblastoma
resonancia magnética
title_short Segmentación de glioblastoma en imágenes de resonancia magnética cerebral
title_full Segmentación de glioblastoma en imágenes de resonancia magnética cerebral
title_fullStr Segmentación de glioblastoma en imágenes de resonancia magnética cerebral
title_full_unstemmed Segmentación de glioblastoma en imágenes de resonancia magnética cerebral
title_sort Segmentación de glioblastoma en imágenes de resonancia magnética cerebral
dc.creator.fl_str_mv Sanabria González, Juan Felipe
dc.contributor.advisor.none.fl_str_mv Sierra Ballén, Eduard Leonardo
dc.contributor.author.none.fl_str_mv Sanabria González, Juan Felipe
dc.subject.lemb.spa.fl_str_mv RESONANCIA MAGNETICA
topic RESONANCIA MAGNETICA
segmentation
glioblastoma
magnetic resonance imaging
segmentación
glioblastoma
resonancia magnética
dc.subject.keywords.spa.fl_str_mv segmentation
glioblastoma
magnetic resonance imaging
dc.subject.proposal.spa.fl_str_mv segmentación
glioblastoma
resonancia magnética
description El glioblastoma es el tipo de cáncer más común y agresivo que se presenta en el cerebro, está clasificado por la OMS en grado IV debido a su rápido crecimiento, se presenta más frecuentemente en adultos y la esperanza de vida es poco alentadora. en Colombia por cada 100.000 casos, 2,5 hombres y 1,9 mujeres que padecen esta enfermedad mueren anualmente, un pronóstico preciso y oportuno del glioblastoma multiforme (GBM), es lo que permite asignar a cada paciente un tratamiento personalizado que pueda aumentar su expectativa de vida. Parte vital a lo largo de los años en este diagnóstico es la imagenología por resonancia magnética, de la cual los médicos segmentan la parte afectada con el fin de dar un criterio que sirve como punto de partida para el tratamiento. El sesgo de la segmentación manual se encuentra en el error de persona a persona; por consiguiente, en esta investigación proponemos una segmentación automatizada en cuatro pasos, que fue aplicada a más de cien colecciones de imágenes de resonancia magnética (IRM), de diversos pacientes, contenidas en la base de datos TCGA GBM del archivo de imágenes de cáncer (Image Cancer Archive). Posteriormente, se compararon los resultados obtenidos en la experimentación con las segmentaciones manuales de la colección TCGA GBM, disponibles en The Multimodal Brain Tumor Image Segmentation Benchmark (BraTS-2017). La efectividad del método propuesto se evalúa en función de la similitud encontrada entre el segmento obtenido en la experimentación y el segmento seccionado manualmente. Los resultados demuestran diversos valores de similitud entre las segmentaciones realizadas en este trabajo y las segmentaciones manuales utilizadas como marco de referencia, permitiendo evaluar en qué imágenes es más efectivo el algoritmo, así como los factores que inhiben la eficiencia del mismo.
publishDate 2023
dc.date.accessioned.none.fl_str_mv 2023-08-10T17:46:07Z
dc.date.available.none.fl_str_mv 2023-08-10T17:46:07Z
dc.date.issued.none.fl_str_mv 2023-04-25
dc.type.local.spa.fl_str_mv Tesis/Trabajo de grado - Monografía - Pregrado
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.coar.*.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
format http://purl.org/coar/resource_type/c_7a1f
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/10654/45015
dc.identifier.instname.spa.fl_str_mv instname:Universidad Militar Nueva Granada
dc.identifier.reponame.spa.fl_str_mv reponame:Repositorio Institucional Universidad Militar Nueva Granada
dc.identifier.repourl.spa.fl_str_mv repourl:https://repository.unimilitar.edu.co
url http://hdl.handle.net/10654/45015
identifier_str_mv instname:Universidad Militar Nueva Granada
reponame:Repositorio Institucional Universidad Militar Nueva Granada
repourl:https://repository.unimilitar.edu.co
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.references.spa.fl_str_mv Baba, Y., & Niknejad, M. (2013). Fluid attenuated inversion recovery. Radiopaedia.org. https://doi.org/10.53347/RID-21760
Bakas, S., Akbari, H., Sotiras, A., Bilello, M., Rozycki, M., Kirby, J. S., Freymann, J. B., Farahani, K., & Davatzikos, C. (2017). Advancing The Cancer Genome Atlas glioma MRI collections with expert segmentation labels and radiomic features. Scientific Data, 4. https://doi.org/10.1038/SDATA.2017.117
Bakas, S., Reyes, M., Jakab, A., Bauer, S., Rempfler, M., Crimi, A., Shinohara, R. T., Berger, C., Ha, S. M., Rozycki, M., Prastawa, M., Alberts, E., Lipkova, J., Freymann, J., Kirby, J., Bilello, M., Fathallah-Shaykh, H., Wiest, R., Kirschke, J., … Menze, B. (2018). Identifying the Best Machine Learning Algorithms for Brain Tumor Segmentation, Progression Assessment, and Overall Survival Prediction in the BRATS Challenge. http://arxiv.org/abs/1811.02629
Clark, K., Vendt, B., Smith, K., Freymann, J., Kirby, J., Koppel, P., Moore, S., Phillips, S., Maffitt, D., Pringle, M., Tarbox, L., & Prior, F. (2013). The cancer imaging archive (TCIA): Maintaining and operating a public information repository. Journal of Digital Imaging, 26(6), 1045–1057. https://doi.org/10.1007/S10278-013-9622-7
Dhara, A. K., Arvids, E., Fahlström, M., Wikström, J., Larsson, E. M., & Strand, R. (2018). Interactive Segmentation of Glioblastoma for Post-surgical Treatment Follow-up. Proceedings - International Conference on Pattern Recognition, 2018-August, 1199–1204. https://doi.org/10.1109/ICPR.2018.8545105
Drozdowicz, B., Bernasconi, G., Reyes, M., Saba, F., & Simón, G. (2005). Segmentación semiautomática de imágenes de resonancia magnética, basada en redes neuronales artificiales. Ciencia, Docencia y Tecnología, XVI(30), 117–155. https://www.redalyc.org/articulo.oa?id=14503005
El Hajj Chehade, W., Kader, R. A., & El-Zaart, A. (2018). Segmentation of MRI images for brain cancer detection. 2018 International Conference on Information and Communications Technology, ICOIACT 2018, 2018-January, 929–934. https://doi.org/10.1109/ICOIACT.2018.8350721
Ermiş, E., Jungo, A., Poel, R., Blatti-Moreno, M., Meier, R., Knecht, U., Aebersold, D. M., Fix, M. K., Manser, P., Reyes, M., & Herrmann, E. (2020). Fully automated brain resection cavity delineation for radiation target volume definition in glioblastoma patients using deep learning. Radiation Oncology, 15(1), 1–10. https://doi.org/10.1186/S13014-020-01553-Z/FIGURES/5
Escobar, S. L. (2007). Algoritmos de agrupamiento global para datos mezlados. https://repositorioslatinoamericanos.uchile.cl/handle/2250/2258770
Grossman, R., Shimony, N., Shir, D., Gonen, T., Sitt, R., Kimchi, T. J., Harosh, C. Ben, & Ram, Z. (2017). Dynamics of FLAIR Volume Changes in Glioblastoma and Prediction of Survival. Annals of Surgical Oncology, 24(3), 794–800. https://doi.org/10.1245/S10434-016-5635-Z/METRICS
Ho, V. K. Y., Reijneveld, J. C., Enting, R. H., Bienfait, H. P., Robe, P., Baumert, B. G., & Visser, O. (2014). Changing incidence and improved survival of gliomas. European journal of cancer (Oxford, England : 1990), 50(13), 2309–2318. https://doi.org/10.1016/J.EJCA.2014.05.019
Hou, Z., Hu, Q., & Nowinski, W. L. (2006). On minimum variance thresholding. Pattern Recognition Letters, 27(14), 1732–1743. https://doi.org/10.1016/J.PATREC.2006.04.012
Johns Hopkins Medicine en Español. (s/f). Recuperado el 16 de marzo de 2023, de https://www.hopkinsmedicine.org/international/espanol/conditions-treatments/neurosurgery/gliomas.html
Khodadadi Shoushtari, F., Sina, S., & Dehkordi, A. N. V. (2022). Automatic segmentation of glioblastoma multiform brain tumor in MRI images: Using Deeplabv3+ with pre-trained Resnet18 weights. Physica Medica, 100, 51–63. https://doi.org/10.1016/J.EJMP.2022.06.007
Li, Y., & Wu, H. (2012). A Clustering Method Based on K-Means Algorithm. Physics Procedia, 25, 1104–1109. https://doi.org/10.1016/J.PHPRO.2012.03.206
Li, Z., Liu, C., Liu, G., Cheng, Y., Yang, X., & Zhao, C. (2010). A novel statistical image thresholding method. AEU - International Journal of Electronics and Communications, 64(12), 1137–1147. https://doi.org/10.1016/J.AEUE.2009.11.011
López-Portilla Vigil, B. M., Menéndez Alonso, R. J., & Iglesias Martínez, M. E. (2016). Implementación del Algoritmo de Otsu sobre FPGA. Revista Cubana de Ciencias Informáticas, 10(3), 16–26. http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S2227-18992016000300002&lng=es&nrm=iso&tlng=es
Mazzara, G. P., Velthuizen, R. P., Pearlman, J. L., Greenberg, H. M., & Wagner, H. (2004). Brain tumor target volume determination for radiation treatment planning through automated MRI segmentation. International Journal of Radiation Oncology Biology Physics, 59(1), 300–312. https://doi.org/10.1016/j.ijrobp.2004.01.026
Menze, B. H., Jakab, A., Bauer, S., Kalpathy-Cramer, J., Farahani, K., Kirby, J., Burren, Y., Porz, N., Slotboom, J., Wiest, R., Lanczi, L., Gerstner, E., Weber, M. A., Arbel, T., Avants, B. B., Ayache, N., Buendia, P., Collins, D. L., Cordier, N., … Van Leemput, K. (2015). The Multimodal Brain Tumor Image Segmentation Benchmark (BRATS). IEEE Transactions on Medical Imaging, 34(10), 1993–2024. https://doi.org/10.1109/TMI.2014.2377694
Messaoud, Z. B., Chnitti, S., & Njeh, I. (2016). An automated MRI brain tissue segmentation approach. 2nd International Conference on Advanced Technologies for Signal and Image Processing, ATSIP 2016, 370–374. https://doi.org/10.1109/ATSIP.2016.7523108
Otsu, N. (1979). A threshold selection method from gray level histograms. IEEE Transactions on Systems, Man, and Cybernetics, SMC-9(1), 62–66. https://doi.org/10.1109/TSMC.1979.4310076
Páez Aguilar, S. E., Mújica-Vargas, D., & Vianney Kinani, J. M. (2018). Supresión de ruido Riciano en imágenes de resonancia magnética del cerebro utilizando un algoritmo de promedio local y global. Research in Computing Science, 147(7), 145–157. https://doi.org/10.13053/RCS-147-7-12
Palomino, N. L. S., & Concha, U. N. R. (2009). Técnicas de Segmentación en Procesamiento Digital de Imágenes. Revista de investigación de Sistemas e Informática, 6(2), 9–16. https://revistasinvestigacion.unmsm.edu.pe/index.php/sistem/article/view/3299
Sallemi, L., Njeh, I., & Lehericy, S. (2015). Towards a Computer Aided Prognosis for Brain Glioblastomas Tumor Growth Estimation. IEEE Transactions on Nanobioscience, 14(7), 727–733. https://doi.org/10.1109/TNB.2015.2450365
Simi, V. R., & Joseph, J. (2015). Segmentation of Glioblastoma Multiforme from MR Images – A comprehensive review. The Egyptian Journal of Radiology and Nuclear Medicine, 46(4), 1105–1110. https://doi.org/10.1016/J.EJRNM.2015.08.001
Suraj, N. S. S. K., Muppalla, V., Sanghani, P., & Ren, H. (2019). Comparative Study of Unsupervised Segmentation Algorithms for Delineating Glioblastoma Multiforme Tumour. ICARM 2018 - 2018 3rd International Conference on Advanced Robotics and Mechatronics, 468–473. https://doi.org/10.1109/ICARM.2018.8610823
Triana, N., Jaramillo, A. E., Gutiérrez, R. M., & Rodríguez, C. A. (2016). Técnicas de umbralización para el procesamiento digital de imágenes de GEM-Foils. Scientia et technica, 21(4), 352. https://doi.org/10.22517/23447214.13271
Westbrook, C., & Talbot, J. (Writer on magnetic resonance imaging). (s/f). MRI in practice. 395. Recuperado el 16 de marzo de 2023, de https://www.wiley.com/en-us/MRI+in+Practice%2C+5th+Edition-p-9781119392002
Zijdenbos, A. P., Dawant, B. M., Margolin, R. A., & Palmer, A. C. (1994). Morphometric Analysis of White Matter Lesions in MR Images: Method and Validation. IEEE Transactions on Medical Imaging, 13(4), 716–724. https://doi.org/10.1109/42.363096
Zou, K. H., Warfield, S. K., Bharatha, A., Tempany, C. M. C., Kaus, M. R., Haker, S. J., Wells, W. M., Jolesz, F. A., & Kikinis, R. (2004). Statistical Validation of Image Segmentation Quality Based on a Spatial Overlap Index: Scientific Reports. Academic radiology, 11(2), 178. https://doi.org/10.1016/S1076-6332(03)00671-8
dc.rights.uri.*.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.accessrights.spa.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.accessrights.*.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons.spa.fl_str_mv Attribution-NonCommercial-NoDerivatives 4.0 International
dc.rights.local.spa.fl_str_mv Acceso abierto
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
http://purl.org/coar/access_right/c_abf2
Attribution-NonCommercial-NoDerivatives 4.0 International
Acceso abierto
eu_rights_str_mv openAccess
dc.format.mimetype.spa.fl_str_mv applicaction/pdf
dc.coverage.sede.spa.fl_str_mv Campus UMNG
dc.publisher.program.spa.fl_str_mv Ingeniería Multimedia
dc.publisher.faculty.spa.fl_str_mv Facultad de Ingeniería
dc.publisher.grantor.spa.fl_str_mv Universidad Militar Nueva Granada
institution Universidad Militar Nueva Granada
bitstream.url.fl_str_mv http://repository.unimilitar.edu.co/bitstream/10654/45015/2/license.txt
http://repository.unimilitar.edu.co/bitstream/10654/45015/1/SanabriaGonzalezJuanFelipe2023.pdf
bitstream.checksum.fl_str_mv a609d7e369577f685ce98c66b903b91b
4836da8c668c73e692e3a1725c9d3cc0
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositorio Institucional UMNG
repository.mail.fl_str_mv bibliodigital@unimilitar.edu.co
_version_ 1837098449647960064
spelling Sierra Ballén, Eduard LeonardoSanabria González, Juan FelipeIngeniero Multimedia2023-08-10T17:46:07Z2023-08-10T17:46:07Z2023-04-25http://hdl.handle.net/10654/45015instname:Universidad Militar Nueva Granadareponame:Repositorio Institucional Universidad Militar Nueva Granadarepourl:https://repository.unimilitar.edu.coEl glioblastoma es el tipo de cáncer más común y agresivo que se presenta en el cerebro, está clasificado por la OMS en grado IV debido a su rápido crecimiento, se presenta más frecuentemente en adultos y la esperanza de vida es poco alentadora. en Colombia por cada 100.000 casos, 2,5 hombres y 1,9 mujeres que padecen esta enfermedad mueren anualmente, un pronóstico preciso y oportuno del glioblastoma multiforme (GBM), es lo que permite asignar a cada paciente un tratamiento personalizado que pueda aumentar su expectativa de vida. Parte vital a lo largo de los años en este diagnóstico es la imagenología por resonancia magnética, de la cual los médicos segmentan la parte afectada con el fin de dar un criterio que sirve como punto de partida para el tratamiento. El sesgo de la segmentación manual se encuentra en el error de persona a persona; por consiguiente, en esta investigación proponemos una segmentación automatizada en cuatro pasos, que fue aplicada a más de cien colecciones de imágenes de resonancia magnética (IRM), de diversos pacientes, contenidas en la base de datos TCGA GBM del archivo de imágenes de cáncer (Image Cancer Archive). Posteriormente, se compararon los resultados obtenidos en la experimentación con las segmentaciones manuales de la colección TCGA GBM, disponibles en The Multimodal Brain Tumor Image Segmentation Benchmark (BraTS-2017). La efectividad del método propuesto se evalúa en función de la similitud encontrada entre el segmento obtenido en la experimentación y el segmento seccionado manualmente. Los resultados demuestran diversos valores de similitud entre las segmentaciones realizadas en este trabajo y las segmentaciones manuales utilizadas como marco de referencia, permitiendo evaluar en qué imágenes es más efectivo el algoritmo, así como los factores que inhiben la eficiencia del mismo.RESUMEN 1. INTRODUCCIÓN 1.1 Justificación 1.2. Planteamiento del Problema 1.3. Objetivos 1.3.1. Objetivo General Implementar un algoritmo de segmentación de Glioblastoma en imágenes de resonancia magnética. 1.3.2. Objetivos Específicos 2. MARCOS DE REFERENCIA 2.1. Antecedentes 2.2. Marco Teórico 3. METODOLOGÍA 3.1. Materiales 3.2. Agrupación con K-means 3.3. Umbralización 3.4. Extracción del segmento con morfología 4. RESULTADOS 4.1. Filtro de la media 4.2. Agrupación con K-means 4.3. Umbralización 4.4. Morfología 5. CONCLUSIONES BIBLIOGRAFIAGlioblastoma is the most common and aggressive type of cancer that occurs in the brain, it is classified by the WHO in grade IV due to its rapid growth, it occurs more frequently in adults and life expectancy is not very encouraging. In Colombia for every 100,000 cases, 2.5 men and 1.9 women who suffer from this disease die annually, an accurate and timely prognosis of glioblastoma multiforme (GBM), is what allows assigning each patient a personalized treatment that can increase their life expectancy. A vital part over the years in this diagnosis is magnetic resonance imaging, from which physicians segment the affected part in order to give a criterion that serves as a starting point for treatment. The bias of manual segmentation lies in person-to-person error; therefore, in this research we propose a four-step automated segmentation, which was applied to more than one hundred collections of magnetic resonance imaging (MRI) images, from various patients, contained in the TCGA GBM database of the Image Cancer Archive (Image Cancer Archive). Subsequently, the results obtained in the experimentation were compared with the manual segmentations of the TCGA GBM collection, available in The Multimodal Brain Tumor Image Segmentation Benchmark (BraTS-2017). The effectiveness of the proposed method is evaluated based on the similarity found between the segment obtained in experimentation and the manually sectioned segment. The results demonstrate various similarity values between the segmentations performed in this work and the manual segmentations used as a reference framework, allowing to evaluate in which images the algorithm is more effective, as well as the factors that inhibit the efficiency of the algorithm.Pregradoapplicaction/pdfspahttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Attribution-NonCommercial-NoDerivatives 4.0 InternationalAcceso abiertoSegmentación de glioblastoma en imágenes de resonancia magnética cerebralSegmentation of glioblastoma on brain magnetic resonance imagesRESONANCIA MAGNETICAsegmentationglioblastomamagnetic resonance imagingsegmentaciónglioblastomaresonancia magnéticaTesis/Trabajo de grado - Monografía - Pregradoinfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1fIngeniería MultimediaFacultad de IngenieríaUniversidad Militar Nueva GranadaBaba, Y., & Niknejad, M. (2013). Fluid attenuated inversion recovery. Radiopaedia.org. https://doi.org/10.53347/RID-21760Bakas, S., Akbari, H., Sotiras, A., Bilello, M., Rozycki, M., Kirby, J. S., Freymann, J. B., Farahani, K., & Davatzikos, C. (2017). Advancing The Cancer Genome Atlas glioma MRI collections with expert segmentation labels and radiomic features. Scientific Data, 4. https://doi.org/10.1038/SDATA.2017.117Bakas, S., Reyes, M., Jakab, A., Bauer, S., Rempfler, M., Crimi, A., Shinohara, R. T., Berger, C., Ha, S. M., Rozycki, M., Prastawa, M., Alberts, E., Lipkova, J., Freymann, J., Kirby, J., Bilello, M., Fathallah-Shaykh, H., Wiest, R., Kirschke, J., … Menze, B. (2018). Identifying the Best Machine Learning Algorithms for Brain Tumor Segmentation, Progression Assessment, and Overall Survival Prediction in the BRATS Challenge. http://arxiv.org/abs/1811.02629Clark, K., Vendt, B., Smith, K., Freymann, J., Kirby, J., Koppel, P., Moore, S., Phillips, S., Maffitt, D., Pringle, M., Tarbox, L., & Prior, F. (2013). The cancer imaging archive (TCIA): Maintaining and operating a public information repository. Journal of Digital Imaging, 26(6), 1045–1057. https://doi.org/10.1007/S10278-013-9622-7Dhara, A. K., Arvids, E., Fahlström, M., Wikström, J., Larsson, E. M., & Strand, R. (2018). Interactive Segmentation of Glioblastoma for Post-surgical Treatment Follow-up. Proceedings - International Conference on Pattern Recognition, 2018-August, 1199–1204. https://doi.org/10.1109/ICPR.2018.8545105Drozdowicz, B., Bernasconi, G., Reyes, M., Saba, F., & Simón, G. (2005). Segmentación semiautomática de imágenes de resonancia magnética, basada en redes neuronales artificiales. Ciencia, Docencia y Tecnología, XVI(30), 117–155. https://www.redalyc.org/articulo.oa?id=14503005El Hajj Chehade, W., Kader, R. A., & El-Zaart, A. (2018). Segmentation of MRI images for brain cancer detection. 2018 International Conference on Information and Communications Technology, ICOIACT 2018, 2018-January, 929–934. https://doi.org/10.1109/ICOIACT.2018.8350721Ermiş, E., Jungo, A., Poel, R., Blatti-Moreno, M., Meier, R., Knecht, U., Aebersold, D. M., Fix, M. K., Manser, P., Reyes, M., & Herrmann, E. (2020). Fully automated brain resection cavity delineation for radiation target volume definition in glioblastoma patients using deep learning. Radiation Oncology, 15(1), 1–10. https://doi.org/10.1186/S13014-020-01553-Z/FIGURES/5Escobar, S. L. (2007). Algoritmos de agrupamiento global para datos mezlados. https://repositorioslatinoamericanos.uchile.cl/handle/2250/2258770Grossman, R., Shimony, N., Shir, D., Gonen, T., Sitt, R., Kimchi, T. J., Harosh, C. Ben, & Ram, Z. (2017). Dynamics of FLAIR Volume Changes in Glioblastoma and Prediction of Survival. Annals of Surgical Oncology, 24(3), 794–800. https://doi.org/10.1245/S10434-016-5635-Z/METRICSHo, V. K. Y., Reijneveld, J. C., Enting, R. H., Bienfait, H. P., Robe, P., Baumert, B. G., & Visser, O. (2014). Changing incidence and improved survival of gliomas. European journal of cancer (Oxford, England : 1990), 50(13), 2309–2318. https://doi.org/10.1016/J.EJCA.2014.05.019Hou, Z., Hu, Q., & Nowinski, W. L. (2006). On minimum variance thresholding. Pattern Recognition Letters, 27(14), 1732–1743. https://doi.org/10.1016/J.PATREC.2006.04.012Johns Hopkins Medicine en Español. (s/f). Recuperado el 16 de marzo de 2023, de https://www.hopkinsmedicine.org/international/espanol/conditions-treatments/neurosurgery/gliomas.htmlKhodadadi Shoushtari, F., Sina, S., & Dehkordi, A. N. V. (2022). Automatic segmentation of glioblastoma multiform brain tumor in MRI images: Using Deeplabv3+ with pre-trained Resnet18 weights. Physica Medica, 100, 51–63. https://doi.org/10.1016/J.EJMP.2022.06.007Li, Y., & Wu, H. (2012). A Clustering Method Based on K-Means Algorithm. Physics Procedia, 25, 1104–1109. https://doi.org/10.1016/J.PHPRO.2012.03.206Li, Z., Liu, C., Liu, G., Cheng, Y., Yang, X., & Zhao, C. (2010). A novel statistical image thresholding method. AEU - International Journal of Electronics and Communications, 64(12), 1137–1147. https://doi.org/10.1016/J.AEUE.2009.11.011López-Portilla Vigil, B. M., Menéndez Alonso, R. J., & Iglesias Martínez, M. E. (2016). Implementación del Algoritmo de Otsu sobre FPGA. Revista Cubana de Ciencias Informáticas, 10(3), 16–26. http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S2227-18992016000300002&lng=es&nrm=iso&tlng=esMazzara, G. P., Velthuizen, R. P., Pearlman, J. L., Greenberg, H. M., & Wagner, H. (2004). Brain tumor target volume determination for radiation treatment planning through automated MRI segmentation. International Journal of Radiation Oncology Biology Physics, 59(1), 300–312. https://doi.org/10.1016/j.ijrobp.2004.01.026Menze, B. H., Jakab, A., Bauer, S., Kalpathy-Cramer, J., Farahani, K., Kirby, J., Burren, Y., Porz, N., Slotboom, J., Wiest, R., Lanczi, L., Gerstner, E., Weber, M. A., Arbel, T., Avants, B. B., Ayache, N., Buendia, P., Collins, D. L., Cordier, N., … Van Leemput, K. (2015). The Multimodal Brain Tumor Image Segmentation Benchmark (BRATS). IEEE Transactions on Medical Imaging, 34(10), 1993–2024. https://doi.org/10.1109/TMI.2014.2377694Messaoud, Z. B., Chnitti, S., & Njeh, I. (2016). An automated MRI brain tissue segmentation approach. 2nd International Conference on Advanced Technologies for Signal and Image Processing, ATSIP 2016, 370–374. https://doi.org/10.1109/ATSIP.2016.7523108Otsu, N. (1979). A threshold selection method from gray level histograms. IEEE Transactions on Systems, Man, and Cybernetics, SMC-9(1), 62–66. https://doi.org/10.1109/TSMC.1979.4310076Páez Aguilar, S. E., Mújica-Vargas, D., & Vianney Kinani, J. M. (2018). Supresión de ruido Riciano en imágenes de resonancia magnética del cerebro utilizando un algoritmo de promedio local y global. Research in Computing Science, 147(7), 145–157. https://doi.org/10.13053/RCS-147-7-12Palomino, N. L. S., & Concha, U. N. R. (2009). Técnicas de Segmentación en Procesamiento Digital de Imágenes. Revista de investigación de Sistemas e Informática, 6(2), 9–16. https://revistasinvestigacion.unmsm.edu.pe/index.php/sistem/article/view/3299Sallemi, L., Njeh, I., & Lehericy, S. (2015). Towards a Computer Aided Prognosis for Brain Glioblastomas Tumor Growth Estimation. IEEE Transactions on Nanobioscience, 14(7), 727–733. https://doi.org/10.1109/TNB.2015.2450365Simi, V. R., & Joseph, J. (2015). Segmentation of Glioblastoma Multiforme from MR Images – A comprehensive review. The Egyptian Journal of Radiology and Nuclear Medicine, 46(4), 1105–1110. https://doi.org/10.1016/J.EJRNM.2015.08.001Suraj, N. S. S. K., Muppalla, V., Sanghani, P., & Ren, H. (2019). Comparative Study of Unsupervised Segmentation Algorithms for Delineating Glioblastoma Multiforme Tumour. ICARM 2018 - 2018 3rd International Conference on Advanced Robotics and Mechatronics, 468–473. https://doi.org/10.1109/ICARM.2018.8610823Triana, N., Jaramillo, A. E., Gutiérrez, R. M., & Rodríguez, C. A. (2016). Técnicas de umbralización para el procesamiento digital de imágenes de GEM-Foils. Scientia et technica, 21(4), 352. https://doi.org/10.22517/23447214.13271Westbrook, C., & Talbot, J. (Writer on magnetic resonance imaging). (s/f). MRI in practice. 395. Recuperado el 16 de marzo de 2023, de https://www.wiley.com/en-us/MRI+in+Practice%2C+5th+Edition-p-9781119392002Zijdenbos, A. P., Dawant, B. M., Margolin, R. A., & Palmer, A. C. (1994). Morphometric Analysis of White Matter Lesions in MR Images: Method and Validation. IEEE Transactions on Medical Imaging, 13(4), 716–724. https://doi.org/10.1109/42.363096Zou, K. H., Warfield, S. K., Bharatha, A., Tempany, C. M. C., Kaus, M. R., Haker, S. J., Wells, W. M., Jolesz, F. A., & Kikinis, R. (2004). Statistical Validation of Image Segmentation Quality Based on a Spatial Overlap Index: Scientific Reports. Academic radiology, 11(2), 178. https://doi.org/10.1016/S1076-6332(03)00671-8Campus UMNGLICENSElicense.txtlicense.txttext/plain; charset=utf-83420http://repository.unimilitar.edu.co/bitstream/10654/45015/2/license.txta609d7e369577f685ce98c66b903b91bMD52open accessORIGINALSanabriaGonzalezJuanFelipe2023.pdfSanabriaGonzalezJuanFelipe2023.pdfTrabajo de gradoapplication/pdf946679http://repository.unimilitar.edu.co/bitstream/10654/45015/1/SanabriaGonzalezJuanFelipe2023.pdf4836da8c668c73e692e3a1725c9d3cc0MD51open access10654/45015oai:repository.unimilitar.edu.co:10654/450152023-08-10 12:46:08.984open accessRepositorio Institucional UMNGbibliodigital@unimilitar.edu.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

Publicaciones similares