Comparación de métodos de segmentación automática en Neurociencia
DOI:
https://doi.org/10.62544/ucomscientia.v1i1.2Palabras clave:
neurociencia, procesamiento digital de imágenes, segmentaciónResumen
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.
Citas
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
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Horacio Sosa, Joshua Harper
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
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
