Diseño de una red neuronal convolucional para el preprocesado de imágenes RMN cerebral

Abstract

[ES] En el presente trabajo se propone el desarrollo de una red neuronal convolucional (CNN) volumétrica para preprocesar imágenes de RMN cerebral (T1). La finalidad de este preprocesado es reducir tanto el ruido aleatorio como la falta de homogeneidad de los tejidos además de estandarizar las intensidades de cada tejido. Este preprocesado tiene como objetivo mejorar la calidad de las imágenes y llevarlas a un marco común de análisis lo que facilitará tareas posteriores como por ejemplo la segmentación de sus estructuras. Para conseguir el objetivo propuesto, se estudiaran y evaluaran diferentes arquitecturas Enconder-Decoder para la red. Concretamente, se diseñaran cuatro versiones, todas ellas derivadas de la arquitectura U-Net. Estas arquitecturas se entrenaran con diferentes funciones de pérdida para evaluar cómo de acertadas son las predicciones. Finalmente, se evaluaran los modelos propuestos con un método de segmentación para ver el impacto del preprocesado en la calidad de dicha segmentación.

[EN] The present work proposes the development of a volumetric convolutional neural network (CNN) to preprocess brain MRI images (T1). The purpose of this pre-processing is to reduce both random noise and inhomogeneity of the tissues as well as standardize the intensities of each tissue. This preprocessing aims to improve the quality of the images and bring them to a common analysis framework, which will facilitate subsequent tasks such as the segmentation of their structures. To achieve the proposed objective, different Enconder-Decoder architectures for the network will be studied and evaluated. Specifically, four versions will be designed, all of them derived from the U-Net architecture. These architectures will be trained with different loss functions to evaluate how accurate the predictions are. Finally, the proposed models will be evaluated with a segmentation method to see the impact of preprocessing on the quality of the segmentation.

[CA] En el present treball es proposa el desenvolupament d'una xarxa neuronal convolucional (CNN) volumètrica per preprocessar imatges de RMN cerebral (T1). La finalitat d'aquest preprocessat és reduir tant el soroll aleatori com la falta d'homogeneïtat dels teixits, a més d'estandarditzar les intensitats de cada teixit. Aquest preprocessat té com a objectiu millorar la qualitat de les imatges i portar-les a un marc comú d'anàlisi, de manera que es faciliten tasques posteriors com per exemple la segmentació de les seues estructures. Per a aconseguir l'objectiu proposat, s'han estudiat i avaluat diferents arquitectures Enconder-Decoder per a la xarxa. Concretament, s'han dissenyat quatre versions, totes elles derivades de l'arquitectura U-Net. Aquestes arquitectures han sigut entrenades amb diferents funcions de pèrdua per avaluar com d'encertades són les prediccions. Finalment, s'han avaluat els models proposats amb un mètode de segmentació per a veure l'impacte del preprocessat en la qualitat d'aquesta segmentació i s'han comparat els resultats obtinguts amb un altre mètode de preprocessat considerat l'estat de l'art.