How to Cite
Abstract
Las hiperintensidades de sustancia blanca se asocian a enfermedades cerebro vasculares debido a su rol en el decaimiento cognitivo y pérdida de funciones motrices en la vejez. Estas lesiones son visibles en imágenes obtenidas de secuencias FLAIR por resonancia magnética. El proceso de segmentación automática de estas lesiones, depende de las características del equipo lo que se traduce en una falta de robustez en los algoritmos de segmentación tradicionales. En este trabajo, se tomaron un conjunto de imágenes FLAIR y T1 obtenidas por equipos de características diferentes. Se proporcionó el “ground truth” o segmentación manual de esas lesiones. El método consiste en entrenar un modelo de aprendizaje profundo usando la red U-Net 3D. La red neuronal convolucional propuesta es de 28 capas y 22 millones de parámetros entrenables. El resultado del proceso de segmentación se comprobó con el “ground truth” mediante cinco coeficientes de comparación. Los resultados muestran una efectividad del 81% en el aprendizaje usando el coeficiente de DICE para la comparación, sin embargo, el modelo identifica con precisión las lesiones con información en el eje z. El método propuesto resultó robusto y simple al momento de segmentar imágenes tridimensionales, sin necesidad de segmentarlas con un modelo bidimensional.