Segmentation multi-classes du cordon médullaire sur des images IRM ultra-haute résolution acquises à 7 Tesla

• Autor: Laines Medina, Nilser Jherald
• Formato: tesis de maestría
• Fecha de Publicación: 2021
• Institución: Superintendencia Nacional de Educación Superior Universitaria
• Repositorio: Registro Nacional de Trabajos conducentes a Grados y Títulos - RENATI
• Lenguaje: francés
• OAI Identifier: oai:renati.sunedu.gob.pe:renati/3214
• Enlace del recurso: https://renati.sunedu.gob.pe/handle/sunedu/3124515
• Nivel de acceso: acceso abierto
• Materia: Médula espinal; Médula espinal - Diagnóstico por imagen; Imagen por resonancia magnética; Aprendizaje profundo; https://purl.org/pe-repo/ocde/ford#3.02.1

La comparación de los enfoques de clase única frente a los de clase múltiple muestra una ganancia significativa en el valor de Dice para la región de materia gris (GM) a favor del método de clase única. Varias estrategias de aumento de datos (DA) en modelos multiclase reentrenados específicamente en imágenes adquiridas en 7T mostraron mejoras muy significativas (Dice promedio = 0,89 para GM y 0,97 para SC), en comparación con el método de referencia basado en dos modelos distintos de clase única. Aprendizajes 3T (Dice promedio = 0,86 para GM y 0,95 para SC), métodos disponibles en código abierto en Spinal-Cord Toolbox (SCT). Preliminarmente, la relevancia de DA se ilustró en una pequeña base de datos externa (12 imágenes), con un puntaje promedio de Dice de 0.847 para GM y 0.974 para SC. La contribución del aumento de datos, con conjuntos de transformaciones geométricas o colorimétricas “realistas“ adaptadas al contexto de la aplicación, parece ser una buena opción tanto para limitar el aprendizaje memorístico como para aumentar la robustez de la segmentación. El mejor modelo será objeto de una futura integración en la SCT, puesta a disposición de la comunidad científica.