Lung Parenchyma Segmentation Using Mask R-CNN in COVID-19 Chest CT Scans

• Autor: Pacheco Llacho, Wilmer Alberto
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Nacional de San Agustín
• Repositorio: UNSA-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsa.edu.pe:20.500.12773/22009
• Enlace del recurso: https://hdl.handle.net/20.500.12773/22009
• Nivel de acceso: acceso abierto
• Materia: Mask R-CNN; Tomografía Computarizada; Parénquima Pulmonar; https://purl.org/pe-repo/ocde/ford#2.02.04

Durante la pandemia de COVID-19, la evaluación precisa de las afectaciones pulmonares mediante tomografías computarizadas (TC) se volvió crucial para comprender y manejar la enfermedad; sin embargo, los especialistas enfrentaron una alta carga de trabajo y la necesidad urgente de ofrecer resultados rápidos y precisos. Para abordar esta situación, los modelos de aprendizaje profundo ofrecieron una solución prometedora al automatizar la identificación de los pulmones y la localización de lesiones asociadas con el COVID-19. Este estudio emplea la técnica de segmentación semántica Mask R-CNN, integrada con una red base ResNet-50, para analizar tomografías computarizadas de pacientes con COVID-19. El modelo fue entrenado con un conjunto de datos anotado, lo que mejoró su capacidad para segmentar y delimitar con precisión el parénquima pulmonar en las imágenes de TC. Los resultados mostraron que Mask R- CNN alcanzó un Coeficiente de Similitud de Dice (DSC) del 93.4%, demostrando una alta concordancia entre las áreas segmentadas y las regiones clínicamente relevantes. Estos hallazgos resaltan la efectividad del enfoque propuesto para una segmentación precisa del tejido pulmonar en tomografías, permitiendo evaluaciones cuantitativas de las afectaciones pulmonares y proporcionando información valiosa para el diagnóstico y monitoreo de pacientes.