article
Low grade glioma segmentation using an automatic computational technique in magnetic resonance imaging
Fecha
2018Autor
Vera, Miguel
Huérfano, Yoleidy
Valbuena, Oscar
Contreras, Yudith
Cuberos, María
Vivas, Marisela
Salazar, Williams
Vera, María Isabel
Borrero, Maryury
Hernández, Carlos
Barrera, Doris
Molina, Ángel Valentín
Martínez, Luis Javier
Salazar, Juan
Gelvez, Elkin
Sáenz, Frank
Institución
Resumen
Through this work we propose a computational technique for
the segmentation of a brain tumor, identified as low grade
glioma (LGG), specifically grade II astrocytoma, which is
present in magnetic resonance images (MRI). This technique
consists of 3 stages developed in the three-dimensional
domain. They are: pre-processing, segmentation and postprocessing.
The percent relative error (PrE) is considered to
compare the segmentations of the LGG, generated by a neuro-
oncologist manually, with the dilated segmentations of the
LGG, obtained automatically. The combination of parameters
linked to the lowest PrE, allow establishing the optimal parameters
of each computational algorithm that makes up the
proposed computational technique. The results allow reporting
a PrE of 1.43%, which indicates an excellent correlation
between the manual segmentations and those produced by
the computational technique developed. Por medio de este trabajo proponemos una técnica computacional
para la segmentación de un tumor cerebral, identificado
como glioma de bajo grado (LGG), específicamente
astrocitoma de grado II, que está presente en imágenes de
resonancia magnética (MRI). Esta técnica consiste en 3 etapas
desarrolladas en el dominio tridimensional. Ellos son: pre
procesamiento, segmentación y post procesamiento. El porcentaje
de error relativo (PrE) se considera para comparar
las segmentaciones de la LGG, generadas por un neurooncólogo
de forma manual, con las segmentaciones dilatadas
de la LGG, obtenidas automáticamente. La combinación de
parámetros vinculados al PrE más bajo permite establecer
los parámetros óptimos de cada algoritmo computacional
que compone la técnica computacional propuesta. Los resultados
permiten informar un PrE de 1.43%, lo que indica una
excelente correlación entre las segmentaciones manuales y
las producidas por la técnica computacional desarrollada.