Segmentación 3D de tumores cerebrales eficiente en memoria

Abstract

El diagn´ostico temprano y la segmentaci´on precisa de los tumores cerebrales son imprescindibles para un tratamiento exitoso. Desafortunadamente, la segmentaci´on manual es lenta, costosa y, a pesar de la amplia experiencia humana, a menudo es inexacta. En este documento, presentamos una arquitectura para la segmentaci´on de tumores basado en im´agenes MRI utilizando una red neuronal convolucional 3D regularizada con autoencoder. Entrenamos el modelo con im´agenes Magnetic Resonance Imaging (MRI) segmentadas manualmente: T1, T1ce, T2 y Flair de 285 pacientes con tumores de gravedad, tama˜no y ubicaci´on variables. Luego probamos el modelo utilizando datos independientes de 66 pacientes y segmentamos con ´exito los tumores cerebrales en tres subregiones: el n´ucleo del tumor (TC), el tumor potenciador (ET) y el tumor completo (WT). Tambi´en se explora pasos de preprocesamiento para mejorar el rendimiento de la segmentaci´on. Es importante destacar que nuestro modelo se implement´o en una sola unidad gr´afica y, por lo tanto, optimiza la segmentaci´on tumoral para un hardware ampliamente asequible. En resumen, se trata de presentar una soluci´on econ´omica y eficiente en memoria para la segmentaci´on tumoral para respaldar el diagn´ostico preciso de los tumores cerebrales.