Resumen

El objetivo principal de este trabajo es segmentar automáticamente tumores colorrectales en RM 3D ponderada en T2 (T2w) con una precisión razonable. Para ello, se propone un nuevo algoritmo basado en aprendizaje profundo adecuado para la segmentación volumétrica de tumores colorrectales. La arquitectura CNN propuesta, basada en una red neuronal densamente conectada, contiene una densa interconectividad multiescala entre capas de escalas finas y gruesas, aprovechando así la información contextual multiescala de la red para obtener un mejor flujo de información en toda la red. Además, se incorporó el algoritmo 3D level-set como tarea de posprocesamiento para refinar los contornos de la segmentación predicha por la red. El método se evaluó en RM 3D ponderada en T2 de 43 pacientes diagnosticados de tumor colorrectal localmente avanzado (cT3/T4). Se realizó una validación cruzada en 100 rondas dividiendo el conjunto de datos en 30 volúmenes para el entrenamiento y 13 para las pruebas. Se calcularon tres métricas de rendimiento para evaluar la similitud entre la segmentación predicha y la verdad sobre el terreno (es decir, la segmentación manual realizada por un radiólogo/oncólogo experto), incluidos el coeficiente de similitud de Dice (DSC), la tasa de recuperación (RR) y la distancia superficial media (ASD). Las métricas de rendimiento anteriores se calcularon en términos de media y desviación estándar (media ± desviación estándar). El DSC, el RR y la ASD fueron de 0,8406 ± 0,0191, 0,8513 ± 0,0201 y 2,6407 ± 2,7975 antes del posprocesamiento, y estas métricas de rendimiento se convirtieron en 0,8585 ± 0,0184, 0,8719 ± 0,0195 y 2,5401 ± 2,402 después del posprocesamiento, respectivamente. Comparamos nuestro método propuesto con otros métodos básicos de segmentación volumétrica de imágenes médicas existentes (en particular 3D U-net y DenseVoxNet) en nuestras tareas de segmentación. Los resultados experimentales revelan que el método propuesto ha logrado un mejor rendimiento en la segmentación de tumores colorrectales en MRI volumétrica que las otras técnicas de referencia.

• Materias:Análisis de espectro Organización modular Diagnóstico automatizado Monitoreo Servicios de salud
• Subjects:Spectrum analysis Modular organization Automated diagnostics Monitoring Health services
• Palabras claves:±, segmentación de tumores colorrectales, método, red, métricas de rendimiento, desviación estándar, métodos de referencia de segmentación volumétrica de imágenes médicas, coeficiente de similitud Dice, métricas de rendimiento anteriores, tumor colorrectal avanzado.
• Keywords:±, colorectal tumor segmentation, method, network, performance metrics, standard deviation, volumetric medical image segmentation baseline methods, Dice similarity coefficient, above performance metrics, advanced colorectal tumor