Modelado 3D de tumores cerebrales empleando endoneurosonografía y redes neuronales artificiales
Las cirugías mínimamente invasivas no precisan de heridas importantes para acceder a la zona del organismo que necesita ser operada, por lo que se han vuelto muy populares debido a que reducen los riesgos típicos de una intervención tradicional. En el caso de las neurocirugías, las tendencias recien...
- Autores:
-
Serna Morales, Andrés Felipe
- Tipo de recurso:
- Fecha de publicación:
- 2011
- Institución:
- Universidad Nacional de Colombia
- Repositorio:
- Universidad Nacional de Colombia
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unal.edu.co:unal/7232
- Palabra clave:
- 0 Generalidades / Computer science, information and general works
61 Ciencias médicas; Medicina / Medicine and health
62 Ingeniería y operaciones afines / Engineering
Electrónica médica, Endoneurosonografía, Endoscopía, Ultrasonido, Adquisición 3D, Modelado, 3D, Redes neuronales, Medical electronics, Endoneurosonography, Endoscopy, Ultrasound, 3D Acquisition, 3D Modeling, Neural networks
- Rights
- openAccess
- License
- Atribución-NoComercial 4.0 Internacional
| Summary: | Las cirugías mínimamente invasivas no precisan de heridas importantes para acceder a la zona del organismo que necesita ser operada, por lo que se han vuelto muy populares debido a que reducen los riesgos típicos de una intervención tradicional. En el caso de las neurocirugías, las tendencias recientes sugieren la utilización conjunta de endoscopía y ultrasonido, una técnica llamada Endoneurosonografía (ENS), como herramienta de visualización en tiempo real de estructuras internas del cerebro, como tumores. La información adquirida mediante esta técnica debe ser utilizada para generar un modelo de representación 3D de tumores que se actualice durante la cirugía. En este sentido, el modelado 3D con redes neuronales ofrece una ventaja, ya que la representación puede desarrollarse en dos etapas: primero, una etapa de entrenamiento fuera de línea, que permite generar un modelo inicial del tumor a partir de información ENS preliminar. Segundo, una etapa de entrenamiento en línea, que permite ajustar el modelo de acuerdo a la nueva información ENS recibida. En este trabajo de investigación, se presenta una metodología de modelado 3D de tumores cerebrales empleando endoneurosonografía y redes neuronales artificiales. Específicamente, se analiza el uso de redes neuronales multicapa alimentadas hacia adelante (MLFFNN), mapas auto organizados (SOM) y redes neuronales gas (NGN). Se realizan pruebas experimentales de modelado 3D con objetos de realidad virtualizada como tumores cerebrales fantasma, piezas arqueológicas, rostros, frutas y botellas. Las tres arquitecturas neuronales son comparadas en términos de desempeño, costo computacional, tiempo de procesamiento, conveniencia de la visualización y número de épocas de entrenamiento. Finalmente, se presentan resultados de modelado 3D de tumores sobre una base de datos ENS propia / Abstract: Minimally invasive surgeries do not require signi_cant injuries for accessing the area of the body that needs to be operated, so they have become very popular because they reduce the typical risks with respect to traditional interventions. In neurosurgery, recent trends suggest the joint use of endoscopy and ultrasound, a technique called Endoneurosonography (ENS), for real{time visualization of brain structures, such as tumors. The ENS information can be used to generate a 3D representation model of brain tumors during surgery. In this sense, 3D modeling using neural networks o_ers an advantage, since the representation can be developed in two stages: the _rst one, an o_{line training, which generates an initial model of the tumor from preliminary ENS information. The second one, an on{line training, which adjusts the model according to the new information received from the ENS equipment. In this research, a methodology for 3D modeling of brain tumors using endoneurosonography and arti_cial neural networks is presented. Speci_cally, the use of multi{layer feed{forward neural networks (MLFFNN), self{organizing maps (SOM) and neural gas networks (NGN) is studied. Experimental tests of 3D modeling are performed using virtualized reality objects as \phantom" brain tumors, archaeological pieces, faces, fruits and bottles. The three neural architectures are compared in terms of performance, computational cost, processing time, displaying convenience and number of training epochs. Finally, the results of 3D modeling of brain tumors from an ENS database are presented. |
|---|