Automatic segmentation of parapharyngeal fat in magnetic resonance imaging using U-net 3D

La segmentación de estructuras y tejidos en la vía aérea superior proporciona herramientas para encontrar posibles causas de la apnea obstructiva del sueño (AOS) y su relación con estas estructuras. El tejido adiposo en la región parafaríngea puede estar relacionado con la obstrucción de la vía aérea en pacientes con AOS. El objetivo de este estudio fue diseñar una red neuronal convolucional para la detección y segmentación del tejido adiposo en la región parafaríngea. Materiales y métodos: El estudio utilizó un conjunto de datos de 64 imágenes de resonancia magnética ponderadas en T1, seleccionadas al azar de un total de 140 imágenes, y sus respectivas segmentaciones manuales de la grasa parafaríngea. A partir de la selección de las imágenes, se realizó un preprocesamiento, principalmente mediante recorte y reescalado. Se realizó el entrenamiento de la red neuronal, se segmentaron las imágenes y la segmentación se evaluó mediante el coeficiente de Dice. Finalmente, se calculó el volumen de grasa parafaríngea y se comparó con el volumen de la segmentación manual. Resultados: Se obtuvo un coeficiente de Dice medio de 0.8086 para la red Unet 3D con función de activación ReLU y 0.6367 con la misma red pero utilizando la función de activación sigmoide. Conclusión: La red neuronal 3D Unet implementada permite la segmentación automática de la grasa parafaríngea y tiene un uso potencial para encontrar relaciones entre la presencia de grasa parafaríngea y la existencia y gravedad de la AOS, presentando resultados superiores en términos de coeficiente de Dice en comparación con otros estudios

• Autores: Chaves Burbano, Daniel Sebastian
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2023
• Institución: Pontificia Universidad Javeriana
• Repositorio: Repositorio Universidad Javeriana
• Idioma: spa
• OAI Identifier: oai:repository.javeriana.edu.co:10554/66844
• Acceso en línea: http://hdl.handle.net/10554/66844
• Palabra clave: Segmentacion de imagenes; Procesamiento de imagenes medicas; Redes convolucionales; Image segmentation; Medical imaging processing; Convolutional networks; Especialización en radiología - Tesis y disertaciones académicas; Procesamiento de imágenes; Segmentación (Informática); Procesamiento digital de imágenes; Aprendizaje de máquinas
• Rights: openAccess
• License: Atribución-NoComercial-SinDerivadas 4.0 Internacional