Skip to content

elterribleabuelo/Segmentacion-de-tumores-cerebrales-usando-redes-neuronales-convolucionales

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

15 Commits
 
 
 
 
 
 

Repository files navigation

Segmentación de tumores cerebrales en imágenes de resonancia magnética usando redes neuronales convolucionales

El repositorio contiene arquitecturas basadas en redes neuronales convolucionales 3D usando el dataset BraTS2020, presentado como proyecto final del curso de Inteligencia Artificial Avanzada.

Pasos:

  • 1.Analisis exploratorio: Se exploró que secuencias conforman una resonancia magnética, además de seleccionar que máscaras de segmentación se usarán en el conjunto de llegada las cuales seran el Edema Peritumoral(ED),Núcleo del tumor(TC) y Tumor realzado(TE).

  • 2.Preprocesamiento: Se procedió a juntar las secuencias FLAIR,T1,T2 Y T1 ponderada ya que en el dataset original se encuentran separadas.

    El dataset preprocesado se encuentra en las siguientes rutas:

    A) Resonancias mágneticas: https://drive.google.com/drive/folders/1_a0f019pz7BQ5GCWjgSEIZDcDyyf1AAf?usp=sharing

    B) Máscaras segmentadas: https://drive.google.com/drive/folders/1e-4ee-X8br3TXzT7Wsq9LjFo_yby4g69?usp=sharing

  • 3.Generación de subvolúmenes: Una vez unidas las secuencias procedemos a submuestrear el volumen total de la resonancia magnética en bloques de 160x160x16, además estos subvolúmenes serán guardados en formatos .h5 para su posterior uso, no sin antes normalizar las imágenes de resonancia magnética a un rango de [0-1]. Se tomo un promedio de 25 subvolúmenes por cada resonancia mágnetica perteneciente a un paciente.

    El dataset final en formato .h5 se encuentra en la siguiente ruta: https://drive.google.com/drive/folders/1_xMn9bkxl7NoUwE69j25xsglOsMS1sv3?usp=sharing

  • 4.Entrenamiento: se entrenó un total de 117, 114 y 70 épocas las arquitectura UNet,ResUnet y Vnet respectivamente, encontrándose un coeficiente de Dice de 70% para UNet siendo el modelo que mejor rendimiento tiene.

  • 5.Resultados:

Data WT ET TC
UNet3D 0.889 0.737 0.528
ResUnet3D 0.893 0.696 0.49
VNet 0.869 0.639 0.384