Comparación de métodos de segmentación automática en Neurociencia
DOI:
https://doi.org/10.62544/ucomscientia.v1i1.2Keywords:
neurociencia, procesamiento digital de imágenes, segmentaciónAbstract
La segmentación cerebral es fundamental en el análisis de imágenes médicas para identificar y diferenciar estructuras anatómicas dentro del cerebro. La segmentación precisa del líquido cefalorraquídeo, la materia gris y la materia blanca es crucial para el diagnóstico, la planificación del tratamiento y el monitoreo de trastornos neurológicos. Este estudio presenta una comparación de dos técnicas de procesamiento de imágenes del cerebro, FSL y DIPY, las cuales son utilizadas para la segmentación de tejidos cerebrales. Estas técnicas utilizan umbrales basados en la intensidad para clasificar píxeles de imágenes en líquido cefalorraquídeo, materia gris y materia blanca. Este trabajo tiene como objetivo proporcionar mayor comprensión sobre enfoques automatizados, para así mejorar la toma de decisiones clínicas y la comprensión de la estructura y función del cerebro.
References
American Society of Clinical Oncology. (2023). Brain tumor statistics. Cancer.Net.https://www.cancer.net/cancer-types/brain-tumor/statisticsBraTS2020
Competition. (2020). Brain Tumor Segmentation (BraTS2020). Kaggle. https://www.kaggle.com/datasets/awsaf49/brats2020-training-data
Elshaikh, B. G.,Garelnabi, M., Omer, H.,Sulieman, A., Habeeballa, B.,& Tabeidi, R. A.(2021). Recognition of brain tumors in MRI images using texture analysis. Saudi Journal ofBiologicalSciences,28(4),2381-2387.https://doi.org/10.1016/j.sjbs.2021.01.035
Fawzi, A., Achuthan, A., & Belaton, B. (2021). Brain Image Segmentation in Recent Years: ANarrative Review. Brain sciences, 11(8), 1055.https://doi.org/10.3390/brainsci11081055
Ilhan, A. (2017). Brain tumor segmentation based on a new threshold approach. ProcediaComput.Sci.,120,580–587.https://doi.org/10.1016/j.procs.2017.11.282.
Mbuyamba, E. I., Avina-Cervantes, J. G., García–Pérez A., Romero–Troncoso, R. D. J., Aguirre-Ramos, H., Cruz–Aceves, I., Chalopin C. (2017). Localized active contour model withbackground intensity compensation applied on automatic MR brain tumorsegmentation. Neurocomputing;220,84–97.https://doi.org/10.1016/j.neucom.2016.07.057
Zhang, Y.,Brady, M.,& Smith, S.(2001).Segmentation of brain MR images through a hidden Markov random field model and the expectation-maximization algorithm. IEEETransactionsonMedicalImaging,20(1),45-57.https://doi.org/10.1109/42.906424
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2023 Horacio Sosa, Joshua Harper
This work is licensed under a Creative Commons Attribution 4.0 International License.
La Revista Científica UCOM Scientia se distribuye bajo una Licencia Atribución 4.0 Internacional (CC BY 4.0) https://creativecommons.org/licenses/by/4.0/deed.es
