Investigación Científica Aplicada

Sistema de apoyo basado en Deep Learning para la segmentación de gliomas en imágenes de resonancia magnética

Se desarrollaron tres arquitecturas de redes neuronales para la detección y segmentación automática de gliomas en imágenes de resonancia magnética cerebral: una implementación estándar de UNet entrenada desde cero, el frame-work nnU-Net v2, el cual se autoconfigura según las características del dataset, y una Attention U-net con encoder EfficientNetB4 para mejorar el rendimiento de la segmentación. Los modelos se entrenaron con el dataset BRISC2025 utilizando únicamente las imágenes T1 en plano axial de la clase gliomas. La comparación de resultados se realizó con Dice Score, Intersection over Union (IoU) y Distancia de Hausdorff (HD95). Las 3 redes presentaron un patrón similar de sobreajuste, indicando que el factor limitante fue nuestro volumen de imágenes de entrenamiento.