Segmentación de glioblastoma en imágenes de resonancia magnética cerebral

Segmentation of glioblastoma on brain magnetic resonance images

dc.contributorSierra Ballén, Eduard Leonardo
dc.creatorSanabria González, Juan Felipe
dc.date2023-08-10T17:46:07Z
dc.date2023-08-10T17:46:07Z
dc.date2023-04-25
dc.date.accessioned2023-09-06T17:52:01Z
dc.date.available2023-09-06T17:52:01Z
dc.identifierhttp://hdl.handle.net/10654/45015
dc.identifierinstname:Universidad Militar Nueva Granada
dc.identifierreponame:Repositorio Institucional Universidad Militar Nueva Granada
dc.identifierrepourl:https://repository.unimilitar.edu.co
dc.identifier.urihttps://repositorioslatinoamericanos.uchile.cl/handle/2250/8693199
dc.descriptionEl 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.
dc.descriptionRESUMEN 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
dc.descriptionGlioblastoma 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.
dc.descriptionPregrado
dc.formatapplicaction/pdf
dc.formatapplication/pdf
dc.languagespa
dc.publisherIngeniería Multimedia
dc.publisherFacultad de Ingeniería
dc.publisherUniversidad Militar Nueva Granada
dc.relationBaba, Y., & Niknejad, M. (2013). Fluid attenuated inversion recovery. Radiopaedia.org. https://doi.org/10.53347/RID-21760
dc.relationBakas, 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
dc.relationBakas, 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
dc.relationClark, 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
dc.relationDhara, 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
dc.relationDrozdowicz, 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
dc.relationEl 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
dc.relationErmiş, 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
dc.relationEscobar, S. L. (2007). Algoritmos de agrupamiento global para datos mezlados. https://repositorioslatinoamericanos.uchile.cl/handle/2250/2258770
dc.relationGrossman, 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
dc.relationHo, 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
dc.relationHou, 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
dc.relationJohns 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
dc.relationKhodadadi 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
dc.relationLi, 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
dc.relationLi, 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
dc.relationLópez-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
dc.relationMazzara, 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
dc.relationMenze, 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
dc.relationMessaoud, 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
dc.relationOtsu, 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
dc.relationPáez 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
dc.relationPalomino, 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
dc.relationSallemi, 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
dc.relationSimi, 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
dc.relationSuraj, 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
dc.relationTriana, 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
dc.relationWestbrook, 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
dc.relationZijdenbos, 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
dc.relationZou, 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.rightshttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rightshttp://purl.org/coar/access_right/c_abf2
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 International
dc.rightsAcceso abierto
dc.subjectRESONANCIA MAGNETICA
dc.subjectsegmentation
dc.subjectglioblastoma
dc.subjectmagnetic resonance imaging
dc.subjectsegmentación
dc.subjectglioblastoma
dc.subjectresonancia magnética
dc.titleSegmentación de glioblastoma en imágenes de resonancia magnética cerebral
dc.titleSegmentation of glioblastoma on brain magnetic resonance images
dc.typeTesis/Trabajo de grado - Monografía - Pregrado
dc.typeinfo:eu-repo/semantics/bachelorThesis
dc.typehttp://purl.org/coar/resource_type/c_7a1f
dc.typeinfo:eu-repo/semantics/acceptedVersion
dc.coverageCampus UMNG


Este ítem pertenece a la siguiente institución