Tesis/Trabajo de grado - Monografía - Pregrado
Segmentación de glioblastoma en imágenes de resonancia magnética cerebral
Segmentation of glioblastoma on brain magnetic resonance images
Registro en:
instname:Universidad Militar Nueva Granada
reponame:Repositorio Institucional Universidad Militar Nueva Granada
Autor
Sanabria González, Juan Felipe
Institución
Resumen
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. 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
BIBLIOGRAFIA Glioblastoma 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. Pregrado