Segmentación de tejidos cerebrales a partir de imágenes de resonancia magnética usando técnicas de Deep Learning

Abstract

[ES] La segmentación de los tejidos intracraneales es muy útil para el análisis objetivo de muchas patologías neurológicas. Este proceso es típicamente realizado manualmente por expertos, lo que puede llevar mucho tiempo. Sin embargo, hoy en día cada vez más métodos de aprendizaje automático se están implementando para resolver este problema de manera automatizada.

En este trabajo, presentamos un modelo de aprendizaje profundo compuesto por tres modelos planares ortogonales, correspondientes a los ejes axial, sagital y coronal. A diferencia de los modelos 3D actuales de última generación, nuestro enfoque requiere una menor memoria dedicada de la GPU sin comprometer la precisión de la segmentación final.

Además, implementamos técnicas de aprendizaje multitarea para mejorar el rendimiento de nuestro modelo, ya que sólo tenemos acceso a pequeños conjuntos de datos etiquetados mediante el uso de un corpus adicional sin etiquetar para mejorar las representaciones internas que nuestro modelo aprende para las imágenes de entrada.

El modelo se evalúa en dos conjuntos de datos diferentes de escáneres cerebrales T1 de resonancia magnética. Nuestro método presenta resultados similares a una versión extendida 3D de la arquitectura U-Net e incluso la supera en uno de ellos.

[EN] The segmentation of intracranial tissues is very useful for the objective analysis of many neurological pathologies. This process is typically performed manually by experts which may be really time consuming. Nevertheless, nowadays more and more machine learning methods are being implemented in order to solve this problem in an automated way.

In this work, we present an ensemble deep learning model comprised of three orthogonal planar models, corresponding to the axial, sagittal and coronal axes. In contrast to current state of the art 3D models, our approach requires lower GPU dedicated memory without compromising the final segmentation accuracy.

In addition, we implement a multi-task learning pipeline in order to improve our model's performance since we only have access to small labelled datasets by using and additional unlabeled corpus to improve the internal representations our model learns for the input images.

The model is evaluated on two different datasets of MRI T1 brain scans. Our method reaches the performance of a 3D extended version of the U-Net architecture and even outperforms it in one of them, even though our model has lower memory requirements.