Publicación:

Segmentación de lesiones de accidente cerebrovascular utilizando representaciones profundas que incluyan mecanismos de atención

Resumen

La tomografía computarizada (CT) es hoy en día la secuencia de imágenes diagnósticas más utilizada para el análisis de hallazgos y detección temprana de los ACV. En estos estudios las lesiones cerebrales son observadas como regiones hipo-atenuadas y su principal uso es en estudios de tamizaje para discriminar entre los posibles tipos de lesión. En la literatura se han propuesto representaciones neuronales para la localización, la delineación y caracterización de lesiones relacionadas con ACV para apoyar la delineación de estos estudios. Sin embargo, las estrategias actuales presentan limitaciones para caracterizar estas lesiones debido a su alta variabilidad en cuanto a su apariencia y geometría. Además estas arquitecturas típicamente se entrenan sobre las secuencias completas, en donde las lesiones cerebrales representan aproximadamente un 5% de la masa cerebral. En el presente trabajo se desarrolló una arquitectura de tipo codificador-decodificador, que entrenada bajo un esquema supervisado, aprende a realizar segmentaciones a partir de delineaciones de expertos sobre estudios CT. Para enfocarse en las regiones asociadas a las lesiones, en este trabajo se realizo una red que incluye mecanismos de atención para establecer relaciones no-locales que representan la geometría de la lesión. Sumado a esto, se desarrolló una segunda fase de entrenamiento a la red para utilizar la información obtenida en la primera fase en un nuevo entrenamiento para refinar los resultados obtenidos inicialmente en la primera fase. La estrategia fue validada en el conjunto de datos ISLES 2017, obteniendo un DSC de 0.66 con 0.67 de precisión.