Low grade glioma segmentation using an automatic computational technique in magnetic resonance imaging

Abstract

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.