Diseño e implementación de una red neuronal artificial para la segmentación de lóbulos del cerebelo a partir de imágenes multimodales de RM de alta resolución

Abstract

[ES] En el presente trabajo se pretende diseñar e implementar una red neuronal artificial (RNA) volumétrica para la segmentación de lóbulos cerebelares a partir de imágenes multimodales (T1 y T2) de alta resolución (0.5 mm3). Esta herramienta tiene como objetivo mejorar la precisión en la estimación de volúmenes de subestructuras cerebelares (lóbulos) a partir de imágenes de RM de alta resolución. Las herramientas actuales (CERES, RASCAL, etc) funciona a resolución estándar (1 mm3) y no pueden medir con precisión la intrincada estructura cerebelar (con grosores corticales submilimétricos en algunas áreas). Además, todos los métodos actuales funcionan solo con imágenes de tipo T1 lo que provoca que vasos sanguíneos se clasifique erróneamente como parte del cerebelo. El uso multimodal de secuencias tipo T2 permite reducir los falsos positivos en dichas regiones. Para conseguir el objetivo propuesto, primero, se creará una base de datos de cerebelos segmentados manualmente con imágenes T1 y T2 de alta resolución usando para ello 75 casos del dataset publico HCP. Después, se diseñará la arquitectura de la red neuronal para obtener las segmentaciones automáticas y se evaluarán los resultados obtenidos haciendo uso de distintas métricas.

[CAT] En el present treball s’ha dissenyat e implementat una xarxa neuronal artificial (RNA) volum`etrica per a la segmentaci´o de l`obuls cerebelars a partir d’imatges multimodals (T1 i T2) de resson`ancia magn`etica nuclear d’alta resoluci´o (0.5 mm3 ). Aquesta eina t´e com a objectiu millorar la precisi´o en l’estimaci´o de volums de subestructures cerebelars (l`obuls) a partir d’imatges de RM d’alta resoluci´o. Les eines actuals (CERES, RASCAL, etc) funcionen a resoluci´o est`andard (1 mm3 ) i no poden mesurar amb precisi´o la intricada estructura cerebelar (amb gruixos corticals submilim´etrics en algunes `arees). A m´es, tots els m`etodes actuals funcionen nom´es amb imatges de tipus T1 el que provoca que vasos sanguinis es classifiquen err`oniament com a part del cerebel. L’´us multimodal de seq¨u`encies tipus T2 permet reduir els falsos positius en aquestes regions. Per a aconseguir l’objectiu proposat, primer, s’ha creat una base de dades de cerebels segmentats semiautom`aticament amb imatges T1 i T2 d’alta resoluci´o. Despr´es, s’ha dissenyat l’arquitectura de la xarxa neuronal per a obtindre les segmentacions autom`atiques i s’han evaluat les propietats del models desde diverses perspectives.

[EN] In the present work we intend to design and implement a volumetric artificial neural network (RNA) for the segmentation of cerebellar lobes from high resolution (0.5 mm3) multimodal images (T1 and T2). This tool aims to improve the accuracy in estimating volumes of cerebellar substructures (lobes) from high-resolution MR images. Current tools (CERES, RASCAL, etc) work at standard resolution (1mm3) and cannot accurately measure the intricate cerebellar structure (with sub-millimeter cortical thicknesses in some areas). Furthermore, all current methods work only with T1-type images, which causes blood vessels to be misclassified as part of the cerebellum. The multimodal use of T2-type sequences makes it possible to reduce false positives in these regions. To achieve the proposed objective, first, a database of manually segmented cerebellums with high-resolution T1 and T2 images will be created using 75 cases from the HCP public dataset. Afterwards, the architecture of the neural network will be designed to obtain the automatic segmentations and the results obtained using different metrics will be evaluated.