Resumen:
|
[ES] Los tumores cerebrales son una de las neoplasias que más afectan a la población a nivel mundial.
Estos suponen graves consecuencias para la salud del paciente, así como en el aspecto social y
económico. De entre ...[+]
[ES] Los tumores cerebrales son una de las neoplasias que más afectan a la población a nivel mundial.
Estos suponen graves consecuencias para la salud del paciente, así como en el aspecto social y
económico. De entre todos los tipos de tumores cerebrales, los gliomas suponen la mayor parte de
los mismos y son habitualmente clasificados en Glioma de Alto Grado (HGG) y Glioma de Bajo
Grado (LGG). A pesar de los grandes avances médicos y tecnológicos, el diagnóstico y pronóstico
de estos tumores continua siendo pobre, especialmente en los HGG, para los que la esperanza
de vida es inferior a los dos años y cuyo tratamiento, extremadamente agresivo, puede causar
severos problemas al paciente.
El diagnóstico de estas patologías ha mejorado notablemente gracias a la introducción en la
práctica clínica de la Imagen por Resonancia Magnética (IRM) junto a algoritmos y sistemas
de ayuda al diagnóstico que están demostrando un gran potencial, no solo para mejorar este,
sino también el tratamiento de este tipo de enfermedades. Este es el caso de la segmentación
de tumores cerebrales, donde las Redes Neuronales Convolucionales (CNN) han demostrado la
capacidad de obtener resultados a la altura de los logrados por radiólogos expertos, tarea que
anteriormente no podía ser introducida en la práctica clínica debido al tiempo que esta requería,
difícilmente disponible por parte del facultativo.
El presente proyecto aborda el desarrollo e implementación de distintas metodologías basadas en
el uso de CNN para la automatización de la tarea de segmentación de gliomas y de sus distintas
componentes tumorales, clasificadas en Núcleo tumoral Sin Realce de contraste (NSR), Edema
Peritumoral (EP) y Núcleo tumoral con Realce de contraste (NR). Para ello se hizo uso del
conjunto de datos del BRAin Tumor Segmentation (BRATS) 2017, constituido por un total de
285 estudios de IRM de HGG y LGG, los cuales incluían secuencias potenciadas en T1, previo a
la administración de un agente de contraste y posterior a la misma, y T2, con y sin Atenuación
de FLuidos por Inversión Recuperación (FLAIR). Los resultados obtenidos fueron analizados
mediante la plataforma proporcionada por la organización del BRATS y comparados con los
resultados reportados en el estado del arte. De este modo, mediante el uso de una red U-Net
se logró un DICE medio de 0.7331, 0.8624 y 0.7267, para el NR, tumor total y núcleo túmoral,
respectívamente. Así, la inclusión de este tipo de metodologías favorece tanto al paciente como
al facultativo posibilitando la realización de diagnósticos cuantitativos más precisos.
[-]
[CA] Els tumors cerebrals són una de les neoplàsies que més afecten la població a nivell mundial. Estos
suposen greus conseqüències per a la salut del pacient, així com en l’aspecte social i econòmic.
D’entre tots els ...[+]
[CA] Els tumors cerebrals són una de les neoplàsies que més afecten la població a nivell mundial. Estos
suposen greus conseqüències per a la salut del pacient, així com en l’aspecte social i econòmic.
D’entre tots els tipus de tumors cerebrals, els gliomes suposen la major part dels mateixos i són
habitualment classificats en Glioma d’Alt Grau (HGG) i Glioma de Baix Grau (LGG). A pesar
dels grans avanços mèdics i tecnològics, el diagnòstic i pronòstic d’estos tumors contínua sent
pobre, especialment en els HGG, per als que l’esperança de vida és inferior als dos anys i el
tractament dels quals, extremadament agressiu, pot causar severs problemes al pacient.
El diagnòstic d’estes patologies ha millorat notablement gràcies a la introducció en la pràctica
clínica de la Imatge per Ressonància Magnètica (IRM) junt amb algoritmes i sistemes d’ajuda
al diagnòstic que estan demostrant un gran potencial, no sols per a millorar este, sinó també el
tractament d’este tipus de malalties. Este és el cas de la segmentació de tumors cerebrals, on
les Xarxes Neuronals Convolucionales (CNN) han demostrat la capacitat d’obtindre resultats a
l’altura dels aconseguits per radiòlegs experts, tasca que anteriorment no podia ser introduïda
en la pràctica clínica a causa del temps que esta requeria, difícilment disponible per part del
facultatiu.
El present projecte aborda el desenrotllament i implementació de distintes metodologies basades
en l’ús de CNN per a l’automatització de la tasca de segmentació de gliomes i dels seus distintes
components tumorals, classificades en Nucli tumoral Sense Realç de contrast (NSR), Edema
Peritumoral (EP) i Nucli tumoral amb Realç de contrast (NR). Per a això es va fer ús del conjunt
de dades del BRAin Tumor Segmentation (BRATS) 2017, constituït per un total de 285 estudis
d’IRM de HGG i LGG, els quals incloïen seqüències potenciades en T1, previ a l’administració
d’un agent de contrast i posterior a la mateixa, i T2, amb i sense Atenuació de FLuids per Inversió
Recuperació (FLAIR). Els resultats obtinguts van ser analitzats per mitjà de la plataforma
proporcionada per l’organització del BRATS i comparats amb els resultats reportats en l’estat
de l’art. D’esta manera, per mitjà de l’ús d’una xarxa U-Net es va aconseguir un DICE mig de
0.7331, 0.8624 i 0.7267, per al NR, tumor total i nucli tumoral, respectívamente. Així, la inclusió
d’este tipus de metodologies afavorix tant el pacient com al facultatiu possibilitant la realització
de diagnòstics quantitatius més precisos.
[-]
[EN] Brain tumors are one of the neoplasms that most affect the population worldwide. These suppose
serious consequences for the health of the patient, as well as in the social and economic aspect.
Among all types of ...[+]
[EN] Brain tumors are one of the neoplasms that most affect the population worldwide. These suppose
serious consequences for the health of the patient, as well as in the social and economic aspect.
Among all types of brain tumors, gliomas suppose most of them and are usually classified into
High Grade Glioma (HGG) and Low Grade Glioma (LGG). Despite the great medical and technological
advances, the diagnosis and prognosis of these tumors continues to be poor, especially
in HGG, for which the life expectancy is less than two years and whose treatment, extremely
aggressive, can cause severe problems to the patient.
The diagnosis of these pathologies has improved markedly thanks to the introduction into clinical
practice of Magnetic Resonance Imaging (MRI) along with algorithms and diagnostic aid systems
that are demonstrating great potential, not only to improve this, but also the treatment of this
type of diseases. This is the case of the segmentation of brain tumors, where the Convolutional
Neural Networks (CNN) have demonstrated the ability to obtain results at the height of those
achieved by expert radiologists, a task that previously could not be introduced in clinical practice
due to the time that this required, hardly available by the doctor.
The present project addresses the development and implementation of different methodologies
based on the use of CNN for the automation of the task of segmentation of gliomas and their different
tumor components, classified as non-enhancing tumor (NSR), peritumoral edema (EP) and
enhancing tumor (NR). To this end, the data set of the BRAin Tumor Segmentation (BRATS)
2017 was used, consisting of a total of 285 MRI studies of HGG and LGG, which included T1-
weighted sequences, prior to the administration of a contrast agent and subsequent to it, and
T2, with and without Fluid Attenuation by Inversion Recovery (FLAIR). The results obtained
were analyzed through the platform provided by the BRATS organization and compared with
the results reported in the state of the art. In this way, through the use of a U-Net network, an
average DICE of 0.7331, 0.8624 and 0.7267 was achieved for the NR, whole tumor and tumor
core, respectively. Thus, the inclusion of this type of methodologies favors both the patient and
the physician, making it possible to carry out more precise quantitative diagnoses.
[-]
|