Desarrollo de herramienta CAD para la segmentación automática del glioblastoma
"Este proyecto se centra en el desarrollo de una herramienta de diagnóstico asistido por computadora (CAD) diseñada para apoyar a neurocirujanos, neurooncólogos y neurorradiólogos en la planificación quirúrgica y el abordaje terapéutico del glioblastoma (GBM). La aplicación integra un flujo de...
Guardado en:
| Autor principal: | |
|---|---|
| Formato: | Proyecto final de grado |
| Lenguaje: | Español |
| Publicado: |
Instituto Tecnológico de Buenos Aires
2025
|
| Materias: | |
| Acceso en línea: | https://hdl.handle.net/20.500.14769/5182 |
| Aporte de: |
| Sumario: | "Este proyecto se centra en el desarrollo de una herramienta de diagnóstico asistido por computadora (CAD) diseñada para apoyar a neurocirujanos, neurooncólogos y neurorradiólogos en la planificación quirúrgica y el abordaje terapéutico del glioblastoma (GBM). La aplicación integra un flujo de preprocesamiento de imágenes de resonancia magnética (MRI) en secuencias T1, T1c, T2 y FLAIR con una red neuronal convolucional (CNN) para segmentar y clasificar con precisión las regiones tumorales.
En primer lugar, se implementó un script de preprocesamiento en Python que emplea algoritmos avanzados de procesamiento de imágenes biomédicas, siguiendo las directrices de la Competencia Internacional de Segmentación de Tumores Cerebrales (BraTS). Este flujo corregistra las secuencias con referencia a T1, ajusta las imágenes al espacio BraTS y extrae el cráneo. Comparados con los del toolkit oficial de la competencia, los resultados obtuvieron un coeficiente de similitud Dice promedio del 91.28 %, validando la precisión y eficacia del algoritmo implementado.
Posteriormente, se entrenó desde cero una CNN SegResNet, ganadora del BraTS 2018, utilizando la base de datos UPenn-GBM, más amplia y robusta que la empleada en dicha competencia. Como resultado, se logró una segmentación semántica de las subregiones del GBM (tumor activo, necrosis y edema periférico) con un coeficiente Dice promedio del 87.96 % en validación y 77.56 % en prueba, evidenciando una adecuada generalización frente a distribuciones distintas a las de entrenamiento (base de datos BraTS 2020). Además, las distancias de Hausdorff (HD) fueron inferiores a 5 mm en todos los casos, lo que valida su precisión en la delimitación de bordes tumorales.
Finalmente, se desarrolló una interfaz gráfica de usuario (GUI) en PyQT5, de código abierto y multiplataforma, que integra los flujos de preprocesamiento y segmentación, permitiendo a los especialistas segmentar automática y tridimensionalmente el GBM en sus tres componentes principales, y visualizar e interactuar con los resultados de manera clara e intuitiva. El desarrollo siguió un proceso iterativo con validaciones constantes por parte de expertos, asegurando mejoras progresivas en la usabilidad y precisión de la herramienta." |
|---|