Diseño de una red neuronal convolucional para la segmentación de estructuras subcorticales cerebrales

Abstract

[ES] En la actualidad, la detección precoz de anomalías en estructuras cerebrales de pacientes se ha demostrado como una manera objetiva y eficiente de ayudar en el diagnóstico más preciso y temprano. No obstante, la cuantificación automática del estado de dichas estructuras requiere del desarrollo de herramientas software eficientes, robustas y precisas. En este Trabajo Fin de Grado se ha llevado a cabo el desarrollo de un método de segmentación de estructuras subcorticales basado en técnicas de Deep Learning. El conjunto de datos con el que se ha trabajado ha sido imágenes potenciadas en T1 y T2 volumétricas de Resonancia Magnética (RM) de un grupo limitado de sujetos, que se han segmentado, en primera instancia, utilizando el Software 'Freesurfer' para la obtención de las etiquetas de las regiones de interés: Núcleo Talámico, Hipocampo, Amígdala y Tronco Cerebral (Brainstem). Posteriormente, se ha diseñado y validado una red neuronal convolucional (CNN) entrenada con las imágenes del conjunto de sujetos descrito. Los resultados de segmentación obtenidos con la red neuronal, que resulta de un modelo basado en la red U-Net, mejoran la eficiencia de la técnica single-atlas (usada en `Freesurfer¿), que realiza una transferencia directa de etiquetas tras el registro entre el atlas y la imagen de estudio.

[EN] Nowadays, early detection of abnormalities in brain structures in patients has proven to be an objective and efficient way to aid in more accurate and earlier diagnosis. However, the automatic quantification of the state of these structures requires the development of efficient, robust and accurate software tools. In this Final Degree Project we have developed a method for segmenting subcortical structures based on Deep Learning techniques. The data set with which we have worked has been volumetric T1 and T2 enhanced images of Magnetic Resonance Imaging (MRI) of a limited group of subjects, which have been segmented, in the first instance, using the software 'Freesurfer' to obtain the labels of the regions of interest: Thalamic Nucleus, Hippocampus, Amygdala and Brainstem (Brainstem). Subsequently, a convolutional neural network (CNN) trained with the images of the described set of subjects has been designed and validated. The segmentation results obtained with the neural network, which results from a model based on the U-Net network, improve the efficiency of the single-atlas technique (used in 'Freesurfer'), which performs a direct transfer of labels after registration between the atlas and the study image.